基于WSN的目标跟踪方法研究

发布时间：2017-07-17 21:38

  本文关键词：基于WSN的目标跟踪方法研究

  更多相关文章： 无线传感器网络 协同跟踪 强化学习 目标跟踪 概率假设密度 量化新息

【摘要】：无线传感器网络(WSN)具有跟踪精细、可靠、及时、隐蔽等特点,非常适用于复杂环境下的目标跟踪。由于WSN节点资源有限,本文针对WSN的目标跟踪热点问题进行了研究,主要研究内容如下:针对WSN协同跟踪过程中跟踪精度与能量消耗矛盾的问题,提出基于强化学习的协同跟踪算法。该算法通过Q学习方法获得簇首最优动作策略,进行最优簇首切换及簇成员的最优选择;在满足跟踪精度的前提下,通过减少簇成员个数和动态选择采样时间间隔降低网络能耗。仿真结果表明该算法不仅保证了跟踪精度,且有效降低了网络的能量消耗。针对多目标跟踪中新生目标强度未知的问题,提出基于量测驱动的概率假设密度滤波算法。该算法以量测驱动方式避免了对新生目标强度先验知识的依赖;采用增广状态空间方法,避免了杂波对真实目标强度估计的干扰。仿真结果表明,该算法具有对目标数目变化敏感的优势,同时可降低计算复杂度,明显提高了跟踪精度。针对WSN中能量有限的问题,提出基于量化新息的目标跟踪算法。该算法使用量测新息量化方法,降低了量化误差;同时设置数据删减门限,降低了能量消耗。仿真结果表明该算法在可降低网络能耗的情况下对跟踪精度改变较小。搭建了基于WSN的目标跟踪仿真平台,包括超声波六元阵列传感器网络与监控中心软件平台两部分。前者实现了传感器异步数据采集以及无线组网数据传输功能;后者既能根据采集数据计算目标运动轨迹,又能够进行不同参数下目标跟踪算法的性能研究。系统平台测试表明,该平台可初步实现对运动目标的跟踪。
【关键词】：无线传感器网络 协同跟踪 强化学习 目标跟踪 概率假设密度 量化新息
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TN929.5
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 缩略词10-11
• 注释表11-12
• 第一章 绪论12-18
• 1.1 研究背景与意义12-13
• 1.2 国内外相关研究现状13-16
• 1.2.1 WSN跟踪算法研究现状13-15
• 1.2.2 多目标跟踪算法研究现状15-16
• 1.2.3 WSN目标跟踪仿真平台研究现状16
• 1.3 WSN目标跟踪面临的挑战16-17
• 1.4 论文的主要研究工作和组织结构17-18
• 第二章 基于强化学习的无线传感器网络协同跟踪算法18-30
• 2.1 引言18
• 2.2 强化学习理论概述18-19
• 2.3 基于强化学习的WSN协同跟踪算法19-27
• 2.3.1 模型建立20-21
• 2.3.2 基于强化学习的节点参数选择及协同自组织方法21-24
• 2.3.3 基于强化学习的WSN目标跟踪24-25
• 2.3.4 RLCTA算法流程25-27
• 2.4 算法仿真及结果分析27-29
• 2.5 本章小结29-30
• 第三章 基于量测驱动的PHD滤波多目标跟踪30-43
• 3.1 引言30
• 3.2 PHD滤波理论基础30-33
• 3.2.1 PHD滤波算法31-32
• 3.2.2 传统PHD滤波算法存在问题32-33
• 3.3 MDTBI-PHD滤波算法33-39
• 3.3.1 基于增广空间的PHD滤波器33-34
• 3.3.2 基于量测驱动的新生目标强度估计方法34-35
• 3.3.3 MDTBI-PHD多目标跟踪35-36
• 3.3.4 MDTBI-PHD滤波器的实现36-39
• 3.4 算法仿真及结果分析39-41
• 3.5 本章小结41-43
• 第四章 基于量化新息的无线传感器网络目标跟踪算法43-49
• 4.1 引言43
• 4.2 量化条件下的运动模型建立43
• 4.3 基于量化新息的目标跟踪算法43-47
• 4.3.1 量化策略选取43-45
• 4.3.2 量化对象选取45
• 4.3.3 数据删减新息量化45
• 4.3.4 数据删减量化新息目标跟踪算法45-47
• 4.4 仿真结果与分析47-48
• 4.5 本章小结48-49
• 第五章 基于WSN的目标跟踪仿真平台设计与实现49-68
• 5.1 引言49
• 5.2 基于WSN的目标跟踪仿真平台总体架构49-50
• 5.3 超声波六元阵列无线传感器网络设计50-60
• 5.3.1 节点硬件设计50-56
• 5.3.2 无线传感器网络节点程序设计56-60
• 5.3.3 跟踪对象设计60
• 5.4 监控中心软件平台设计60-64
• 5.4.1 监控中心软件平台总体框架与功能60-61
• 5.4.2 监控中心软件平台功能实现61-64
• 5.5 系统测试及结果分析64-67
• 5.5.1 测试环境及过程64-65
• 5.5.2 测试结果及分析65-67
• 5.6 本章小结67-68
• 第六章 总结与展望68-70
• 6.1 全文工作总结68-69
• 6.2 研究展望69-70
• 参考文献70-74
• 致谢74-75
• 在学期间的研究成果及发表的学术论文75

【参考文献】

中国期刊全文数据库 前10条

1 杨小军;张亚粉;;基于观测数据删减及量化新息的无线传感器网络目标跟踪[J];控制与决策;2015年05期

2 赵晴晴;段渭军;傅贤锋;;基于超声波六元阵列TDOA测距的WSN定位系统设计与实现[J];传感技术学报;2014年09期

3 徐小良;汤显峰;葛泉波;管冰蕾;;基于量化新息的容积粒子滤波融合目标跟踪算法[J];自动化学报;2014年09期

4 赵雪刚;宋骊平;姬红兵;;量化量测条件下的交互多模型箱粒子滤波[J];西安电子科技大学学报;2014年06期

5 李翠芸;江舟;姬红兵;;一种新的未知杂波环境下的PHD滤波器[J];西安电子科技大学学报;2014年05期

6 杨峰;王永齐;梁彦;潘泉;;基于概率假设密度滤波方法的多目标跟踪技术综述[J];自动化学报;2013年11期

7 闫小喜;韩崇昭;;基于目标出生强度在线估计的多目标跟踪算法[J];自动化学报;2011年08期

8 陈延军;潘泉;梁彦;魏雅川;;基于IDSQ的自适应动态协同自组织算法[J];控制与决策;2011年03期

9 危阜胜;胥布工;高焕丽;谢立华;;基于无线传感器网络的分布式处理目标跟踪系统[J];传感技术学报;2009年10期

10 关小杰;陈军勇;;无线传感器网络中基于量化观测的粒子滤波状态估计[J];传感技术学报;2009年09期

中国博士学位论文全文数据库 前5条

1 张鹤冰;概率假设密度滤波算法及其在多目标跟踪中的应用[D];哈尔滨工程大学;2012年

2 许建;基于量化信息的目标状态估计与融合[D];上海交通大学;2012年

3 陈军勇;无线传感器网络分布式量化估计[D];华南理工大学;2011年

4 刘美;WSN多目标跟踪节点任务分配及跟踪算法研究[D];华南理工大学;2010年

5 周彦;无线传感器网络中基于量化信息的目标状态估计与融合[D];上海交通大学;2010年

中国硕士学位论文全文数据库 前3条

1 叶景志;基于混合估计算法的传感器节点簇的切换与管理策略[D];华南理工大学;2013年

2 王杰;超声波传感器网络目标跟踪系统设计与算法[D];浙江大学;2013年

3 于春娣;基于无线传感器网络的目标跟踪技术研究[D];南京航空航天大学;2013年

，

本文编号：554704