基于水下无线传感器网络的自组织目标跟踪算法研究

发布时间：2020-06-07 02:45

【摘要】：水下目标跟踪是海洋科学技术的重要研究方向之一,为海洋资源的开发利用和海洋安全的防御维护提供了关键技术。凭借多平台探测、实时数据共享等优势,基于水下无线传感器网络(Underwater Wireless Sensor Networks,UWSNs)的水下目标跟踪技术受到了越来越多的关注。然而,由于复杂水下环境会导致量测信息不足和目标跟踪精度下降,而节点处理、传输量测数据会增加网络的能耗负担,因此,如何解决跟踪精度和能量消耗之间的矛盾成为了UWSNs目标跟踪的主要问题。为此,本文基于UWSNs的自组织能力,分别从量测模型修正、节点深度调节、节点能量分配和多源数据融合等多个方面开展研究,逐步提高UWSNs目标跟踪的跟踪精度和能量效率。总体而言,本文的研究工作和主要贡献如下:首先,针对水声传播速度变化导致的量测模型偏差,本文提出了基于量测模型修正的目标跟踪算法。该方法引入一个表征声速变化影响的修正参数,利用过去时间的累积信息估计修正参数,并通过修正参数的迭代更新实现量测模型的自组织修正,提供准确的量测模型和数据。其次,针对UWSNs节点稀疏部署导致的量测信息不足,本文提出了基于节点深度调节的目标跟踪算法。该方法根据节点深度变化对跟踪精度的影响,设计动态的节点深度调节方案,实现节点位置结构的自组织调整,保证获取更加完备的量测信息。然后,针对降低UWSNs能耗导致的量测信息损失,本文提出了基于长时能量分配的目标跟踪算法。根据量测价值进行节点能量的自组织分配,用较多能量处理高价值量测以保留信息,而将低价值量测压缩至较少位数以减小能耗。在有限的能量条件下最大化全局信息,提高能量利用效率。最后,针对多源数据融合时各节点的量测差异,本文提出了基于互信息融合的目标跟踪算法。通过计算量化量测与目标状态之间的互信息,实现节点量测权重的自组织分配,并给出多传感器量测的加权融合方案,弥补降低UWSNs能耗导致的量测信息损失。总体而言,本文的研究针对基于UWSNs的自组织目标跟踪问题,从不同角度解决了目标跟踪精度和能量消耗问题,各个内容相辅相成,共同形成了一套比较完整的理论成果,为UWSNs自组织能力和水下目标跟踪理论研究提供了技术支撑。
【图文】：

是ＵＷＳＮｓ最主要的部分，在搭建ＵＷＳＮｓ时，需要将节点以不同的方式部署在监测水域逡逑的不同位置：通过缆线锚定在水域的不同深度、绑定浮标悬浮在水域不同深度、固定于逡逑水底或水面浮标、搭载于移动ＡＵＶ。传感器节点的基本结构如图１．２所示，主要由感知逡逑单元、通信单元、存储单元、计算单元和能量管理单元构成，感知单元中的各类传感器逡逑可以实时获取监测水域的信息，如水温、盐度、声信号、水压等，并通过接口电路将逡逑数据转送至计算单元进行处理。计算单元可以对数据进行处理，并将其储存在存储单逡逑元，或者通过通信单元，以水声信号的方式发送至水面基站或者邻域节点实现信息共逡逑享。能量管理单元包含电池和能量收集装置，一方面为节点的各个模块提供电能，另一逡逑方面可以吸收水流环境的能量，为电池充电［２８’２９１。搭载于ＡＵＶ的移动节点可以进一步逡逑提升ＵＷＳＮｓ的自组织能力，它们可以循环运动搬运大量的数据印１，可以在个别节点出逡逑现问题时运动到合适位置调整网络拓扑［３１邋］

％邋Ｄ逦／逡逑固定在海底的节点锚在不同深度的节点逡逑图１．１水下无线传感器网络的系统组成逡逑是ＵＷＳＮｓ最主要的部分，，在搭建ＵＷＳＮｓ时，需要将节点以不同的方式部署在监测水域逡逑的不同位置：通过缆线锚定在水域的不同深度、绑定浮标悬浮在水域不同深度、固定于逡逑水底或水面浮标、搭载于移动ＡＵＶ。传感器节点的基本结构如图１．２所示，主要由感知逡逑单元、通信单元、存储单元、计算单元和能量管理单元构成，感知单元中的各类传感器逡逑可以实时获取监测水域的信息，如水温、盐度、声信号、水压等，并通过接口电路将逡逑数据转送至计算单元进行处理。计算单元可以对数据进行处理，并将其储存在存储单逡逑元，或者通过通信单元，以水声信号的方式发送至水面基站或者邻域节点实现信息共逡逑享。能量管理单元包含电池和能量收集装置，一方面为节点的各个模块提供电能，另一逡逑方面可以吸收水流环境的能量
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP212.9;TN929.3

【相似文献】

相关期刊论文 前10条

1 杨凯杰;田畅;关文君;;快速目标跟踪算法及其嵌入式实现[J];军事通信技术;2016年04期

2 陈伟;祝恩;刘天航;殷建平;邱明辉;;目标跟踪算法的并行优化[J];计算机工程与科学;2016年11期

3 张涛;李继生;董恩国;;基于人脸识别的移动目标跟踪算法研究[J];现代制造技术与装备;2017年02期

4 李贺;;基于深度学习的目标跟踪算法研究综述[J];黑龙江科技信息;2017年17期

5 吴小俊;徐天阳;须文波;;基于相关滤波的视频目标跟踪算法综述[J];指挥信息系统与技术;2017年03期

6 王立新,戴冠中;一种分散化多站联合目标跟踪算法[J];航空学报;1988年03期

7 V.纳加拉简;R.N.沙马;肖万选;;改善边跟踪边搜索雷达的检测和跟踪性能的新方法(第二部分)——检测、航迹的产生与组合[J];雷达与对抗;1988年05期

8 王俊岭;王硕豪;;基于孪生网络的深度学习目标跟踪算法[J];计算机工程与设计;2019年10期

9 孟t-;李诚新;;近年目标跟踪算法短评——相关滤波与深度学习[J];中国图象图形学报;2019年07期

10 窦慧;赵书斌;王强;;基于特征点的典型目标跟踪算法性能分析[J];指挥控制与仿真;2017年02期

相关会议论文 前10条

1 徐炳吉;;一种多站联合目标跟踪算法[A];数学及其应用文集——中南模糊数学和系统分会第三届年会论文集（上卷）[C];1995年

2 肖敬若;胡伏原;郑江滨;张艳宁;;一种有效的多目标跟踪算法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

3 杜方芳;刘士荣;邱雪娜;;一种改进的粒子滤波目标跟踪算法[A];PCC2009—第20届中国过程控制会议论文集[C];2009年

4 付晓薇;方康玲;李曦;;一种基于特征的多目标跟踪算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

5 王亚楠;陈杰;甘明刚;;基于差分进化的改进粒子滤波目标跟踪算法[A];中国自动化学会控制理论专业委员会C卷[C];2011年

6 许伟村;赵清杰;;一种基于粒子滤波的多目标跟踪算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

7 石章松;刘忠;;一种使用辅助变量的单站纯方位目标跟踪算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 段萌远;于俊清;王锦;;基于活动状态分类的多目标跟踪算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

9 张震宇;王立松;;基于粒子滤波的传感器目标跟踪算法[A];2008年中国高校通信类院系学术研讨会论文集（上册）[C];2009年

10 郭春;罗鹏飞;;一种基于小波变换的目标跟踪算法研究[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

相关博士学位论文 前10条

1 胡秀华;复杂场景中目标跟踪算法研究[D];西北工业大学;2017年

2 王全辉;筛选式知识辅助多模型机动目标跟踪算法[D];深圳大学;2018年

3 产思贤;基于视觉系统的智能目标跟踪算法研究[D];浙江工业大学;2018年

4 胡琪;基于随机矩阵的扩展目标跟踪算法研究[D];西安电子科技大学;2018年

5 张铎;基于水下无线传感器网络的自组织目标跟踪算法研究[D];浙江大学;2019年

6 郭巳秋;基于TLD的粒子群目标跟踪理论与应用技术研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

7 储琪;基于深度学习的视频多目标跟踪算法研究[D];中国科学技术大学;2019年

8 金加根;基于元数据的雷达目标检测和跟踪研究[D];武汉理工大学;2015年

9 张雷;复杂场景下实时目标跟踪算法及实现技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2016年

10 胡硕;基于小波理论的目标检测与快速目标跟踪算法研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2006年

相关硕士学位论文 前10条

1 张明天;无人机监控软件系统关键技术研究[D];吉林大学;2019年

2 张波彬;基于二类分类器的目标跟踪算法与分析研究[D];中国矿业大学;2019年

3 李倩;基于相关滤波的目标跟踪算法研究[D];吉林大学;2019年

4 张亚琴;视频序列中的单目标跟踪算法研究[D];新疆大学;2019年

5 周启晨;基于深度学习的无人机对地目标跟踪算法研究[D];北方工业大学;2019年

6 王永;基于孪生网络的目标跟踪算法及其在舰船场景中的应用研究[D];厦门大学;2018年

7 赵周鼎;核相关滤波目标跟踪算法的研究及其嵌入式平台的实现[D];郑州大学;2019年

8 王润玲;多带宽融合的实时目标跟踪算法[D];北方工业大学;2019年

9 肖渤涛;复杂场景下的实时目标跟踪算法研究及DSP实现[D];中国石油大学(华东);2017年

10 王睿;基于Mean Shift的目标跟踪算法研究[D];武汉大学;2017年

本文编号：2700711