无线传感器网络的目标跟踪算法研究

论文摘要

近年来,随着通信技术、微机电系统、传感器技术的进步,以及多学科知识之间的相互融合,促进了无线传感器网络向智能化、多样化的方向发展,使得其应用范围更加广泛、应用层次更加深入。基于无线传感器网络的各种目标跟踪的算法和应用成为国内外学者研究的热点。目标跟踪是无线传感器网络的重要应用之一。无线传感器网络具有系统成本低廉、运行和维护简单等优势,尤其适合于区域面积大的多目标监控系统。近年来的粒子滤波理论在定位、导航、跟踪问题方面取得了快速发展,倍受人们关注。它是一种基于蒙特卡罗思想的非线性、非高斯系统滤波方法,突破了Kalman滤波理论框架,对系统的过程噪声和测量噪声没有限制。本文依托浙江省重大科技项目“污染源应急监测监管支撑平台的开发与应用”,重点研究了基于粒子滤波的代价参考滤波算法,同时提出了算法的改进,并将改进的滤波算法应用到无线传感器网络目标跟踪的仿真中。论文主要完成以下的工作:1.分析了无线传感器网络节点组成结构,总结了无线传感器网络的目标跟踪系统结构;2.分析了最优贝叶斯滤波和蒙特卡罗方法的基本原理,比较分析了卡尔曼滤波、粒子滤波方法和代价参考粒子滤波方法,并同一系统模型下实现三种算法;3.针对代价参考粒子滤波算法中的缺点,提出了算法的改进,并证明改进后算法的合理性;4.将基于簇群的结构和改进的算法融入到目标跟踪的仿真中。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景及其意义
• 1.1.1 课题来源
• 1.1.2 无线传感器发展发展现状
• 1.1.3 研究意义
• 1.2 研究内容
• 1.3 主要工作
• 1.4 本文的结构
• 第2章 无线传感器网络的目标跟踪
• 2.1 WSN 的目标跟踪网络拓扑结构
• 2.1.1 目标跟踪的网络拓扑结构
• 2.1.2 树形拓扑结构
• 2.1.3 簇群拓扑结构
• 2.2 WSN 的目标跟踪系统分析
• 2.3 WSN 的目标跟踪系统模型
• 2.3.1 目标跟踪过程中的马尔卡夫性
• 2.3.2 系统状态方程描述
• 2.4 滤波算法
• 2.4.1 滤波的定义
• 2.4.2 最优贝叶斯滤波
• 2.4.3 卡尔曼滤波算法介绍
• 2.4.4 扩展卡尔曼滤波算法介绍
• 2.4.5 粒子滤波算法介绍
• 2.5 本章小结
• 第3章 粒子滤波算法
• 3.1 蒙特卡罗方法
• 3.1.1 蒙特卡罗方法的定义
• 3.1.2 蒙特卡罗方法的步骤
• 3.1.3 重要性采样
• 3.1.4 顺序重要性采样
• 3.1.5 重要性密度函数选择
• 3.2 标准粒子滤波方法
• 3.2.1 粒子退化现象
• 3.2.2 重采样
• 3.2.3 粒子滤波算法及步骤
• 3.2.4 粒子滤波算法仿真与比较
• 3.3 标准粒子滤波存在的问题及改进方法
• 3.3.1 样本枯竭
• 3.3.2 如何选择重要密度函数
• 3.4 本章小结
• 第4章 改进的代价参考的粒子滤波算法
• 4.1 代价参考粒子滤波的概念
• 4.2 算法所用函数介绍
• 4.2.1 代价参考函数
• 4.2.2 风险函数
• 4.2.3 概率混合函数
• 4.2.4 自适应方差函数
• 4.3 算法流程及其步骤
• 4.3.1 算法流程
• 4.4 算法仿真
• 4.5 算法改进
• 4.5.1 算法不足点分析
• 4.5.2 算法改进分析
• 4.5.3 改进后算法比较
• 4.6 本章小结
• 第5章 基于WSN目标跟踪仿真
• 5.1 算法设计
• 5.1.1 传感器网络布置
• 5.1.2 算法仿真流程分析
• 5.2 实验结果及误差分析
• 5.2.1 3 次实验结果
• 5.2.2 实验结果及其误差分析
• 5.3 本章小结
• 第6章 总结与期望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录