基于无线传感器网络的目标跟踪技术研究

论文摘要

随着无线通信、嵌入式计算机和传感器等技术的快速发展，具有感知能力、计算能力和无线通信能力的微型传感器以及由其构成的无线传感器网络引起了人们极大的关注。目标跟踪实质上是通过分布在无线传感器网络中不同位置节点的相互协作检测来对目标进行跟踪定位，可以得到比单个节点独立跟踪更加精确的结果。如今，基于无线传感器网络的目标跟踪已经成为一个研究的热点。本文针对无线传感器网络中的目标跟踪问题，详细介绍了粒子滤波算法，描述了其基本原理和核心技术，讨论了粒子滤波存在的问题及解决方案。粒子滤波方法适用于任何状态空间表示的非线性系统，具有易于实现，非常灵活的优点，但是它依然存在粒子数匮乏、滤波性能不高、实时性差等缺点，会产生粒子退化的现象。本文对现有的粒子滤波算法进行了系统地分析，提出了一种基于辅助模型的，将SIR和UPF算法结合起来的混合型粒子滤波算法，该算法的核心思想是生成一种新的重要性函数来降低粒子滤波退化现象。此外，本文分析了分簇型网络结构所具有的优势，在现有的分簇型传感器网络结构的基础上，提出了一种新的簇-树层次型网络模型，根据该模型中传感器节点的工作特点，将混合粒子滤波算法应用到其中，实现目标跟踪。在无线传感器网络目标跟踪的诸多性能标准中，本文主要考虑算法的跟踪精度。最后，通过仿真将混合粒子滤波算法、PF和UPF算法进行了比较，验证目标跟踪过程中混合粒子滤波算法具有更高的跟踪精度。

论文目录

• 摘要
• ABSTRACT
• 缩略词
• 第一章 绪论
• 1.1 无线传感器网络概述
• 1.2 目标跟踪技术及应用前景
• 1.3 无线传感器网络目标跟踪面临的挑战
• 1.4 本文主要工作及结构
• 第二章 目标跟踪算法基础
• 2.1 目标跟踪算法
• 2.2 系统动态模型描述
• 2.3 贝叶斯滤波原理
• 2.4 卡尔曼滤波
• 2.4.1 卡尔曼滤波器
• 2.4.2 Unscented 卡尔曼滤波器
• 2.5 本章小结
• 第三章 粒子滤波算法的改进与研究
• 3.1 蒙特卡罗方法
• 3.2 贝叶斯重要性采样
• 3.3 序贯重要性采样
• 3.4 序贯重要性采样存在问题及解决方法
• 3.4.1 退化现象
• 3.4.2 重要性密度函数的选取
• 3.4.3 重采样
• 3.5 常见粒子滤波算法
• 3.5.1 粒子滤波算法
• 3.5.2 SIR 滤波算法
• 3.5.3 Unscented 粒子滤波算法
• 3.6 改进的粒子滤波算法
• 3.6.1 混合粒子滤波算法重要性函数的选择
• 3.6.2 混合粒子滤波算法实现过程
• 3.7 本章小结
• 第四章 面向目标跟踪的无线传感器网络模型
• 4.1 分簇结构的优势
• 4.2 簇-树层次型网络模型设计
• 4.2.1 节点部署
• 4.2.2 节点状态及功能
• 4.2.3 节点工作方式
• 4.3 混合粒子滤波算法在簇-树型网络中的实现
• 4.4 本章小结
• 第五章 算法仿真与分析
• 5.1 目标跟踪性能评价标准
• 5.2 混合粒子滤波算法仿真与分析
• 5.3 无线传感器网络目标跟踪仿真与分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 展望
• 参考文献
• 已发表论文