基于粒子群模糊树的移动无线传感器网络的目标跟踪方法技术

本发明专利技术公开一种基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，应用于无线传感器网络运动目标跟踪领域，针对现有技术存在的计算复杂，跟踪误差较大的问题；本发明专利技术引入了一个目标圆来表示目标，并利用此时目标圆圆心“探索”目标，而非“预测”目标；因此本发明专利技术只需要知道目标运动的大方向，将处于目标运动大方向之后的传感器向此时的目标圆圆心做超量移动，而处于目标运动大方向之前的传感器向此时的目标圆圆心做小量移动；同时由于每个被选取的传感器自身位置不一样，与目标圆圆心相对位置也不同，故移动后的位置就不会趋于同一点，但均有很大可能探测到目标，做到了“好而不同”；既保证了目标丢失率大幅降低，也提高了目标定位精度。

Target Tracking Method in Mobile Wireless Sensor Networks Based on Particle Swarm Fuzzy Tree

【技术实现步骤摘要】
基于粒子群模糊树的移动无线传感器网络的目标跟踪方法
本专利技术属于无线传感器网络运动目标跟踪领域，特别涉及一种基于粒子群模糊树的无线传感器网络运动目标跟踪技术。
技术介绍
在早期的无线传感器网络研究中，由于传感器无充电能力，为了降低能耗，传感器被设计成静止不动的。随着大规模无线传感器网路的实际应用，人们发现静态无线传感器网络的一个显著弱点是部分传感器因担负着网络中较多负载而成为热点(hotspot)使电池迅速耗尽，从而造成整个无线传感器网络的死亡，这已经成为限制大规模无线传感器网络的一个重要因素。为了解决这个问题，已有许多研究在无线传感器网络中引入了移动节点，并论证了依靠节点移动实现负载平衡、延长无线传感器网络寿命的可行性。目前，对于无线传感器网络中移动节点的位置与移动模式是否独立，可分为个体移动模型和组移动模型。前者已被研究的较为充分，而针对多移动节点的组移动策略研究较少。多传感器的联合路径规划相比于单节点，能更好的优化无线传感器网络任务分配、减少数据延迟而提高无线传感器网络的时效性，但由于多节点移动算法比单节点多增加了一个维度，计算复杂度显著增加，因此更具有挑战性。现有的多传感器联合移动方案绝大多数都从减小数据采集的能耗与延迟，平衡负载的角度开展研究，并非以提高目标的精准探测与实时跟踪为出发点。针对目标探测与跟踪的传感器协调移动算法十分匮乏。此外，大量研究假设无线传感器网络中的传感器具有同等的感知与通信能力，因此已有算法并不完全适用于现行的多模态传感信号构成的无线传感器网络。并且，随着无线传感器网络规模的不断扩大，传统算法的复杂性急剧上升，很难满足对于移动目标跟踪的性能要求。
技术实现思路
为了解决上述技术问题，本专利技术提出一种基于粒子群模糊树的移动无线传感器网络的目标跟踪算法，在节能的基础上，极大程度减少了跟踪误差。本专利技术采用的技术方案为：基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，包括：采用一个目标圆来表示目标；读取当前时间的传感器状态，根据探测到目标的传感器集中所有传感器的中心位置，计算目标圆的圆心；根据目标圆的圆心以及探测到目标的传感器集中所有传感器的探测距离，计算目标圆的半径；第一级模糊决策树根据其输入参数，输出得到未探测到目标的传感器集中每个传感器的得分；所述第一级模糊决策树的输入参数为：未探测到目标的传感器集中所有传感器的实时剩余电量、移动速度、探测半径、以及与目标圆的圆心的距离；选取若干个最高得分的传感器组成第一集合；第一集合中的所有传感器移动方向为当前时间计算出的目标圆的圆心；根据第一集合中每个传感器的速度及其与目标圆的距离关系计算出该传感器的最大移动距离与最小移动距离；估计目标运动的大方向，并计算第一集合中每个传感器的与目标运动大方向的夹角；第二级模糊决策树根据其输入参数，输出得到第一集合中每个传感器的移动距离百分比；所述第二级模糊决策树的输入参数为：第一集合中每个传感器的与目标运动大方向的夹角与目标圆的半径；根据百分比移动第一集合中的传感器。所述计算目标圆的圆心，具体过程为：计算探测到目标的传感器集中所有传感器的中心位置，然后判断该计算出的中心位置是否在探测到目标的传感器集中所有传感器的探测距离内；若是则以该中心位置作为目标的圆心；否则对该中心位置进行修正，直至新的中心位置在探测到目标的传感器集中所有传感器的探测距离内。所述对该中心位置进行修正，具体为当探测到目标的传感器集中某个传感器与当前中心位置的距离大于该传感器的探测半径时，将当前中心位置向该传感器修正，使得该传感器与修正后的中心位置的距离小于该传感器的探测半径。所述计算目标圆的半径，具体为：探测到目标的传感器集中每个传感器的探测半径与探测到目标的传感器集中每个传感器到目标圆的圆心距离之差的平均值。所述第一级模糊决策树的输入参数采用隶属度函数进行归一化，第一级模糊决策树输出各等级的中心位置，然后根据输出各等级的中心位置，计算未探测到目标的传感器集中每个传感器的得分；所述第二级模糊决策树的输入参数采用隶属度函数进行归一化，最终输出各等级的中心位置，根据输出各等级的中心位置，计算第一集合中每个传感器的移动距离百分比。所述第一级模糊决策树的输入参数对应的隶属度函数、第一级模糊决策树输出各等级的中心位置、第二级模糊决策树的输入参数对应的隶属度函数、第二级模糊决策树输出各等级的中心位置以及规则库均通过粒子群算法进行调优训练。所述粒子群算法进行调优训练，具体过程为：A1、将每组参数均看做D维解空间中的一个粒子，首先初始化N个粒子形成一个群落；第j个粒子搜索到的最优位置称为个体最优值；整个粒子群搜索到的最优位置称为全局最优值；A2、利用两级模糊决策树进行仿真跟踪，计算各例子的适应度；具体为：引入模拟目标，利用群落中的各个粒子对该模拟目标进行跟踪，计算各个粒子的跟踪误差与丢失率；根据粒子的跟踪误差与丢失率，计算该粒子的适应度；A3、根据粒子的最优适应度对应的粒子位置，更新粒子个体最优值；A4、根据全部粒子中的最优适应度对应的那个粒子的位置，更新粒子群全局最优值；A5、更新粒子速度及位置；A6、若达到预设代数或达到预设精度，则训练结束；否则将更新后的群落返回步骤A2，继续训练。步骤A2所述粒子的适应度计算式如下：Fv＝w1*err+w2*lost_ratio其中，err表示粒子的跟踪误差，lost_ratio表示粒子的丢失率，w1表示err的权重，w2表示lost_ratio的权重。本专利技术的有益效果：本专利技术基于粒子群模糊树的移动节点联合调度算法，引入了一个目标圆来表示目标，并采用当前的目标圆圆心“探索”目标；在节能的基础上，极大程度减少了跟踪误差和丢失概率；具备以下优点：1、计算简单，不需要额外大量的信息通信与计算；2、采用目标圆来表示目标很好地平衡了目标预测准确性和追踪难度的矛盾；3、采用当前的目标圆圆心“探索”目标，做到了“好而不同”，既保证了目标丢失率大幅降低，也提高了目标定位精度；4、采用目标圆来表示目标结合采用当前的目标圆圆心“探索”目标，使得本专利技术的方法鲁棒性更强，目标速度和轨迹变化对跟踪结果影响较小。附图说明图1为本专利技术的方案流程图；图2为本专利技术实施例提供的粒子群算法对网络参数进行训练的算法流程图；图3为本专利技术实施例提供的本专利技术方法对目标丢失率的影响；图3(a)为目标运动轨迹为直线，目标速度为2m/s；图3(b)为目标运动轨迹为直线，移动传感器数量为40；图3(c)为目标运动轨迹为圆，目标速度为2m/s；图3(d)为目标运动轨迹为圆，移动传感器数量为40；图3(e)为目标运动模式完全随机，目标的方向和速度随意变化，速度范围：0-8m/s。具体实施方式为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。步骤1.在监测区域部署无线传感器网络：监测区域边界部署一定数量的静态节点，实现边界全覆盖，方便能检测到入侵目标，在监测区域内部随机部署一定数量的移动节点和静态节点。为了方便模型的泛化，本专利技术不限制传感器类型，可使用各种模态传感器，且只需检测是否有目标在自己的探测区域内出现，不需要目标的其它信息。在步骤1中出现的“一定数量”是指可以根据具体应用时的监测面积、每个传感器的探测半径以及模态可以动态本文档来自技高网...

【技术保护点】
1.基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，其特征在于，采用一个目标圆来表示目标；读取当前时间的传感器状态，根据探测到目标的传感器集中所有传感器的中心位置，计算目标圆的圆心；根据目标圆的圆心以及探测到目标的传感器集中所有传感器的探测距离，计算目标圆的半径；第一级模糊决策树根据其输入参数，输出得到未探测到目标的传感器集中每个传感器的得分；所述第一级模糊决策树的输入参数为：未探测到目标的传感器集中所有传感器的实时剩余电量、移动速度、探测半径、以及与目标圆的圆心的距离；选取若干个最高得分的传感器组成第一集合；第一集合中的所有传感器移动方向为当前时间计算出的目标圆的圆心；根据第一集合中每个传感器的速度及其与目标圆的距离关系计算出该传感器的最大移动距离与最小移动距离；估计目标运动的大方向，并计算第一集合中每个传感器的与目标运动大方向的夹角；第二级模糊决策树根据其输入参数，输出得到第一集合中每个传感器的移动距离百分比；所述第二级模糊决策树的输入参数为：第一集合中每个传感器的与目标运动大方向的夹角与目标圆的半径；根据百分比移动第一集合中的传感器。

【技术特征摘要】
1.基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，其特征在于，采用一个目标圆来表示目标；读取当前时间的传感器状态，根据探测到目标的传感器集中所有传感器的中心位置，计算目标圆的圆心；根据目标圆的圆心以及探测到目标的传感器集中所有传感器的探测距离，计算目标圆的半径；第一级模糊决策树根据其输入参数，输出得到未探测到目标的传感器集中每个传感器的得分；所述第一级模糊决策树的输入参数为：未探测到目标的传感器集中所有传感器的实时剩余电量、移动速度、探测半径、以及与目标圆的圆心的距离；选取若干个最高得分的传感器组成第一集合；第一集合中的所有传感器移动方向为当前时间计算出的目标圆的圆心；根据第一集合中每个传感器的速度及其与目标圆的距离关系计算出该传感器的最大移动距离与最小移动距离；估计目标运动的大方向，并计算第一集合中每个传感器的与目标运动大方向的夹角；第二级模糊决策树根据其输入参数，输出得到第一集合中每个传感器的移动距离百分比；所述第二级模糊决策树的输入参数为：第一集合中每个传感器的与目标运动大方向的夹角与目标圆的半径；根据百分比移动第一集合中的传感器。2.根据权利要求1所述的基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，其特征在于，计算目标圆的圆心，具体过程为：计算探测到目标的传感器集中所有传感器的中心位置，然后判断该计算出的中心位置是否在探测到目标的传感器集中所有传感器的探测距离内；若是则以该中心位置作为目标的圆心；否则对该中心位置进行修正，直至新的中心位置在探测到目标的传感器集中所有传感器的探测距离内。3.根据权利要求2所述的基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，其特征在于，对该中心位置进行修正，具体为当探测到目标的传感器集中某个传感器与当前中心位置的距离大于该传感器的探测半径时，将当前中心位置向该传感器修正，使得该传感器与修正后的中心位置的距离小于该传感器的探测半径。4.根据权利要求1所述的基于粒子群模糊树的移动无线传感器网络的目标跟踪方法，其特征在于，计算目标圆的半径，具体为：探测到目标的传感器集中每个传感器的探测半径与探测到目标的传感器集中每个传感器...

【专利技术属性】
技术研发人员：刘强，林俊俊，梁菁，李会勇，胡进峰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51