无线传感器网络中的自适应混合目标跟踪方法技术

本发明专利技术提供一种无线传感器网络中的自适应混合目标跟踪方法，在粒子群算法和遗传算法的基础上，引入混沌动态自适应策略调整粒子群算法的惯性权重，然后把优化后的粒子群算法与双变异自适应的遗传算法相结合，有效改进搜索效果，实现在WSN中快速的目标跟踪，尤其在遮挡、噪声等干扰中有优势；解决局部最优的早熟收敛问题和跟踪精确性受到影响的问题，提高目标跟踪的精确性和实时性。无限传感网目标跟踪时，目标运动速度快，并受遮挡等周围环境的干扰，目标运动的轨迹复杂而多样，具有不确定性和时变性。

【技术实现步骤摘要】
无线传感器网络中的自适应混合目标跟踪方法
本专利技术属于无线传感器网络群集智能
，尤其涉及一种无线传感器网络中的自适应混合目标跟踪方法。
技术介绍
无线传感器网络(WSN,WirelessSensorNetworks)是一种分布式传感网络，它的末梢是可以感知和检查外部世界的传感器，通过无线通信方式形成的一个多跳自组织网络。随着无线传感技术的发展，WSN中目标跟踪研究受到广泛的关注，研究适用于WSN的目标跟踪方式具有重要的意义。目标跟踪状态系统为复杂非线性系统，需要连续不断地捕获目标特征，可以理解为在目标初始状态和通过提取得到目标特征的基础上，进行一种时空结合的目标状态估计。目前，粒子滤波算法可以解决目标跟踪中普遍存在的复杂非线性、非高斯系统状态估计问题，但因计算量较大，并且在实际应用过程中，经过若干次迭代后会出现粒子多样性退化现象，容易造成目标跟踪丢失及跟踪准确性不高问题。为解决上述技术问题，将粒子群算法应用在WSN的目标跟踪上，其方法简单，收敛速度快，易在计算机上实现，也不要求函数具有明显的表达式和可微、可导等性质，适合求解复杂的非线性系统优化问题。但是，在进行目标跟踪时，目标运动速度快，并受遮挡等周围环境的干扰，目标运动的轨迹具有不确定性和时变性，现有的目标跟踪方式存在如下缺陷：第一，对于WSN来说，由于单个传感器节点存在着能量和处理能力限制，同时易受周围环境干扰，跟踪任务通常要求具有实时性，传统的很多目标跟踪方式不适合基于WSN的目标跟踪。第二，目标跟踪时需要采用大量粒子，因此目前的跟踪方式计算量大，目标系统的输入为高维向量，实现实时性是一个难题。第三，由于遮挡、噪声、粒子退化，即多样性变差的影响，跟踪效果变差，容易陷入局部最优，跟踪的精确性受到影响，精确跟踪是目前主要研究内容，也是尚未完全解决的难题。
技术实现思路
为解决上述技术问题，本专利技术提供一种无线传感器网络中的自适应混合目标跟踪方法。本专利技术采用如下技术方案：在一些可选的实施例中，提供一种无线传感器网络中的自适应混合目标跟踪方法，包括：动态调整粒子群算法中用于调节搜索能力的惯性权重；计算各粒子适应度值，对比粒子适应度值，选择需要交叉的个体和群体完成交叉，对于适应度最差的粒子，依据遗传算法进行最差适应度变异；判断粒子是否陷入局部最优值，如果粒子陷入局部最优值，则对于适应度最优的粒子，依据遗传算法进行最优适应度变异。在一些可选的实施例中，该方法之前还包括：建立粒子群算法模型；采样得到当前时刻的粒子集，根据所述粒子群算法模型计算粒子的当前位置和当前速度；计算粒子的适应度值，更新粒子自身搜索到的最优适应值和群搜索到的最优适应值。在一些可选的实施例中，所述动态调整粒子群算法中用于调节搜索能力的惯性权重的过程包括：将惯性权重定义为一个混沌动态随机序列，所述混沌动态随机序列采用logistic模型，在范围[0，1]选取随机值作为粒子的惯性权重。在一些可选的实施例中，所述依据遗传算法进行最差适应度变异的过程包括：对适应度最差的粒子在迭代中进行较大概率[0.08，0.5]的高斯变异；在一些可选的实施例中，所述依据遗传算法进行最优适应度变异的过程包括：对适应度最优的粒子进行较小概率[0.01，0.06]的高斯变异。在一些可选的实施例中，所述的无线传感器网络中的自适应混合目标跟踪方法，还包括：如果粒子未陷入局部最优值，则更新粒子的位置和速度，重新计算粒子的适应度值，更新个体极值和群体极值。在一些可选的实施例中，所述的无线传感器网络中的自适应混合目标跟踪方法，还包括：判断粒子是否满足结束条件，若满足结束条件，则输出优化结果，否则继续搜索。在一些可选的实施例中，所述结束条件是指找到符合条件的最优解，或达到最大迭代次数。本专利技术所带来的有益效果：利用混沌动态调整粒子群算法的惯性权重，同时将双变异遗传算法与粒子群算法相结合，有效改进搜索效果，具有较强的全局搜索能力和局部搜索能力，实现在WSN中快速的目标跟踪，尤其在遮挡、噪声等干扰中有优势；解决局部最优的早熟收敛问题和跟踪精确性受到影响的问题，提高目标跟踪的精确性和实时性。为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。附图说明图1是本专利技术的流程示意图；图2是本专利技术性能仿真节点数量与成功率比较图；图3是本专利技术性能仿真节点数量与延迟时间比较图。具体实施方式以下描述和附图充分地示出本专利技术的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本专利技术的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。如图1所示，在一些说明性的实施例中，提供一种无线传感器网络中的自适应混合目标跟踪方法，包括：101：建立粒子群算法模型，初始化粒子群算法各参数。粒子群算法为一种有效的全局寻优算法，追随当前搜索到的最优值来寻找全局最优，粒子群算法模型中的种群个体称为粒子，粒子之间相互协作，信息共享，不断运动，在复杂解空间中寻找最优解。102：根据运动模型，采样得到当前时刻的粒子集，根据粒子群算法模型计算粒子的当前位置和当前速度。103：计算粒子的适应度值，更新粒子自身搜索到的最优适应值和群搜索到的最优适应值。104：动态调整粒子群算法中用于调节搜索能力的惯性权重。根据混沌序列映射模型，即采用logistic模型，动态非线性的更新调整惯性权重，对粒子的位置和速度迭代进行描述。惯性权重是粒子群算法中调节搜索能力的重要参数，通过动态调整惯性权重可以获得更好地寻优结果。本专利技术引入混沌自适应惯性权重策略，即将惯性权重定义为一个混沌动态随机序列，混沌有丰富的时空动态，其运动具有随机性、便利性和规律性等特质，介于确定性和随机性之间。混沌动态随机序列采用logistic模型，表达式如下：xk+1＝μxk(1-xk)；其中，0＜xk＜1，1＜μ≤4，该映射的动态行为与外部参数μ密切相关，取μ＝4，logistic模型呈现出明显的混沌行为。惯性权重ωk+1＝xk+1，表示第t次迭代粒子群算法采用的惯性权重，自适应动态搜索中，在范围[0，1]选取随机值作为粒子的惯性权重，自适应调整控制参数，提高粒子群多样性，避免陷入局部最优，提高算法性能。105：计算各粒子适应度值，对比粒子适应度值，选择需要交叉的个体和群体完成最优交叉操作。106：对于适应度最差的粒子，依据遗传算法进行最差适应度变异。107：判断粒子是否陷入局部最优值，如果粒子陷入局部最优值，则进行步骤108，否则进行步骤109。108：对于适应度最优的粒子，依据遗传算法进行最优适应度变异。109：更新粒子的位置和速度，重新计算粒子的适应度值，更新个体极值和群体极值。步骤106至步骤108中，建立双变异遗本文档来自技高网...

【技术保护点】
1.无线传感器网络中的自适应混合目标跟踪方法，其特征在于，包括：动态调整粒子群算法中用于调节搜索能力的惯性权重；计算各粒子适应度值，对比粒子适应度值，选择需要交叉的个体和群体完成交叉，对于适应度最差的粒子，依据遗传算法进行最差适应度变异；判断粒子是否陷入局部最优值，如果粒子陷入局部最优值，则对于适应度最优的粒子，依据遗传算法进行最优适应度变异。

【技术特征摘要】
1.无线传感器网络中的自适应混合目标跟踪方法，其特征在于，包括：动态调整粒子群算法中用于调节搜索能力的惯性权重；计算各粒子适应度值，对比粒子适应度值，选择需要交叉的个体和群体完成交叉，对于适应度最差的粒子，依据遗传算法进行最差适应度变异；判断粒子是否陷入局部最优值，如果粒子陷入局部最优值，则对于适应度最优的粒子，依据遗传算法进行最优适应度变异。2.根据权利要求1所述的无线传感器网络中的自适应混合目标跟踪方法，其特征在于，该方法之前还包括：建立粒子群算法模型；采样得到当前时刻的粒子集，根据所述粒子群算法模型计算粒子的当前位置和当前速度；计算粒子的适应度值，更新粒子自身搜索到的最优适应值和群搜索到的最优适应值。3.根据权利要求2所述的无线传感器网络中的自适应混合目标跟踪方法，其特征在于，所述动态调整粒子群算法中用于调节搜索能力的惯性权重的过程包括：将惯性权重定义为一个混沌动态随机序列，所述混沌动态随机序列采用logistic模型，在范围[0，1]选取随机值作为粒子...

【专利技术属性】
技术研发人员：姜春艳，陈希，钱琦，勾荣，刘伟彦，
申请(专利权)人：江苏开放大学江苏城市职业学院，
类型：发明
国别省市：江苏,32