申请上海交通大学工学博士学位论文基于无线传感器网络的行为识别与目标定位研究

论文摘要

传感器技术、无线通讯技术、嵌入式计算技术、分布式信息处理技术、微电子技术等领域的进步及相互结合,推动了无线传感器网络的快速发展。无线传感器网络将逻辑上的信息世界与客观上的物理世界连接起来,改变了人类与环境的交互方式,提供了利用逻辑信息来表述客观世界的一种有效的、便捷的方法。目前,无线传感器网络已经广泛地应用于环境智能、环境监控、工业制造、交通运输、军事工程等众多领域。作为无线传感器网络的一个重要应用领域,环境智能泛指能感知到用户的存在并为其提供智能化服务的电子环境和系统。环境智能的实现依赖于与用户行为密切相关的环境信息的采集和处理,依赖于对用户行为的分析、判断和推理,如:判断用户的位置、识别用户的行为、检测用户与环境的交互等,并在此基础上为用户提供智能化的服务。本文的研究主要针对环境智能中的两个研究重点:行为识别和目标定位。对于行为识别,介绍了基于环境变量的行为识别、人物交互式行为识别和穿戴式行为识别三种方法,并着重分析了穿戴式行为识别方法。穿戴式行为识别方法常采用监督学习方法,但该方法不具有异常检测能力和扩展学习能力。本文引入一类分类算法,利用组合高斯一类分类模型来判断行为是否是已知的。对于已知行为,采用加权支持向量机分类算法来识别其行为类别;对于未知行为,在分段算法的基础上,提取新行为的样本加入到识别系统中,扩展系统的识别能力。为了实现识别算法在传感器网络内的分布式实施,本文提出了一种基于移动代理的分布式分类方法,并将此方法运用到两种典型分类算法中。首先通过分解分类模型,将模型参数存放到对应的各个传感器节点上,实现分类模型的离散化;其次,在分类时,通过每个传感器节点计算自己的特征值和分类数据,实现分类操作的离散化;最后,利用移动代理串行访问各个节点,累积计算结果。与集中式分类算法相比较,基于移动代理的分布式分类算法可以减小带宽需求,平衡各个节点之间的计算、存储和能量消耗。对于目标定位,本文介绍人员定位和声音源定位。在人员定位中,常采用的方法往往需要用户穿戴传感器节点或在传感器节点上安装附加设备,本文提出了一种基于无线电波的非穿戴式定位方法,利用接收信号强度的变化来判断是否有人出现在一对无线电收发机之间,进而判断其位置。对于声音源定位,本文提出了一种源能量未知情况下的分布式声音源定位方法。文章结合增量梯度算法和基于能量比的声音源定位方法,通过分解和重组能量比定位方法的代价函数,得到适合分布式实施的迭代公式。采用合适的能量比个数以及迭代起始点位置,该方法可以获得与穷尽搜索方法近似的准确率,但只需要非常小的计算消耗。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 无线传感器网络
• 1.1.1 传感器网络的体系结构
• 1.1.2 传感器节点的结构
• 1.1.3 传感器网络的特点
• 1.1.4 传感器网络的应用领域
• 1.2 环境智能
• 1.2.1 环境智能概念的由来及研究现状
• 1.2.2 环境智能的主要特点
• 1.3 上下文感知
• 1.3.1 上下文的定义
• 1.3.2 上下文感知的定义及应用
• 1.4 本文的内容及结构
• 1.4.1 研究课题介绍
• 1.4.2 本文的主要研究内容
• 1.4.3 本文的组织结构
• 第二章 基于加速度传感器的穿戴式行为识别系统
• 2.1 行为识别的三种方式
• 2.1.1 穿戴式行为识别
• 2.1.2 基于人物交互的行为识别
• 2.1.3 基于环境变量的行为识别
• 2.1.4 行为识别的融合框架
• 2.2 加速度传感器
• 2.3 基于加速度传感器的穿戴式行为识别系统的框架
• 2.4 特征提取及规范化
• 2.5 主成分分析
• 2.6 多类分类算法
• 2.6.1 决策树分类算法
• 2.6.2 支持向量机算法
• 2.6.3 K 近邻分类算法
• 2.7 穿戴式行为识别的实验及结果
• 2.7.1 实验设置及数据采集
• 2.7.2 实验结果
• 2.8 小结
• 第三章 具有扩展能力的穿戴式行为识别系统
• 3.1 问题的提出
• 3.2 具有扩展能力的穿戴式行为识别系统的框架
• 3.3 组合一类分类模型
• 3.3.1 K 近邻一类分类算法
• 3.3.2 支持向量数据描述一类分类算法
• 3.3.3 高斯一类分类算法
• 3.4 系统更新阶段的操作
• 3.4.1 未知行为数据保存
• 3.4.2 噪声数据去除和数据模式分析
• 3.4.3 数据分段
• 3.4.4 系统更新
• 3.5 实验及结果
• 3.5.1 一类分类算法的性能评估
• 3.5.2 系统的检测和分类性能评估
• 3.5.3 系统的扩展能力实验及结果
• 3.6 讨论
• 3.7 小结
• 第四章 基于移动代理的分布式分类算法
• 4.1 传感器网络的计算模式
• 4.1.1 集中式计算模式
• 4.1.2 移动代理计算模式
• 4.2 基于移动代理的分布式决策树分类算法
• 4.2.1 分布式决策树分类
• 4.2.2 基于移动代理的分布式决策树分类的实施
• 4.2.3 性能评估
• 4.2.4 讨论
• 4.3 基于移动代理的分布式支持向量机分类算法
• 4.3.1 分布式支持向量机分类算法
• 4.3.2 分布式支持向量机分类算法的路径优化
• 4.3.3 基于移动代理的分布式支持向量机分类算法的实施
• 4.3.4 分布式支持向量机分类算法的扩展
• 4.3.5 性能评估
• 4.4 小结
• 第五章 非穿戴式的室内人体定位方法
• 5.1 定位方法
• 5.2 非穿戴式室内定位方法
• 5.2.1 RSSI 的不规则性
• 5.2.2 RSSI 波动的抑制
• 5.2.3 基于RSSI 衰减的人体定位
• 5.3 实验及结果
• 5.3.1 实验设置
• 5.3.2 检测阈值的确定
• 5.3.3 有效检测距离
• 5.3.4 定位实验及结果
• 5.4 讨论
• 5.5 小结
• 第六章 源能量未知情况下的分布式声音源定位方法
• 6.1 问题的提出
• 6.1.1 声音能量衰减模型
• 6.1.2 基于IG 算法的分布式声音源定位方法
• 6.1.3 基于能量比的集中式声音源定位方法
• 6.2 基于能量比的分布式定位方法
• 6.2.1 基于能量比的分布式定位方法的思路
• 6.2.2 能量比个数的选择
• 6.2.3 搜索起始点的确定
• 6.2.4 基于能量比的分布式定位方法的实施步骤
• 6.2.5 能量消耗分析
• 6.3 实验及结果
• 6.3.1 模拟实验及结果
• 6.3.2 移动车辆定位实验及结果
• 6.4 讨论
• 6.5 小结
• 第七章 总结与展望
• 7.1 本文的研究工作及创新点
• 7.2 未来工作展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文、专利及参与的科研项目