水下多目标跟踪方法技术

本发明专利技术公开了一种水下多目标跟踪方法，无线传感器网络定位系统包括多个传感器节点、簇头节点以及控制系统，系统定位采用一种改进重采样非扩维无味粒子滤波算法实现在基于传感器网络配置下的目标定位，该算法充分利用当前时刻方位测量的信息来估计粒子后验概率密度函数，克服了PF算法中粒子选择具有盲目性的缺点，在很少粒子数目的情况下就能达到比PF算法近似且更好的定位精度，并且不需要扩展向量中状态维数，这样大大降低了计算复杂度，提高了计算时间，有利于系统的实时实现。

【技术实现步骤摘要】
水下多目标跟踪方法
本专利技术涉及一种水下多目标跟踪方法，尤其涉及一种改进重采样非扩维无味粒子滤波算法的水下多目标跟踪方法，属于信息

技术介绍
水下运动目标的定位与跟踪技术具有广阔的应用背景，涉及到军事和民用领域。传统的目标被动定位技术中，多采用基于纯方位测量的目标被动定位技术，其主要解决的问题是如何利用观测的目标方位信息来估计目标的运动参数进而实现目标的定位跟踪。系统配置多为机载或舰载单站测量系统，该系统配置由于受到运动目标可观测性原理的限制，要实现对目标的定位，观测平台需要在观测期内进行机动，可有时候由于观测平台无法机动，因而不能实现目标的定位。从技术方面讲，基于纯方位目标运动分析问题本质上是一个非线性Bayes滤波问题。由于非线性的原因，其精确解通常并不解析，所以工程上多采用基于扩展卡尔曼滤波(EKF)的次优解，它是利用泰勒级数展开，取其一阶近似使模型线性化，再利用卡尔曼滤波(KF)算法进行求解。但是，EKF滤波在模型非线性较强以及系统噪声非高斯时估计的精度严重降低，并可能造成滤波器的发散。而无味卡尔曼(UKF)采用UT(UnscentedTransformation)变化，虽然较EKF有更好的滤波效果，但都是在基于模型线性化和Gauss假设的条件下。因此人们一直在寻找适用于非线性非高斯Bayes滤波方法来提高估计精度。近年来国际上在该方向的研究取得了令人瞩目的成就，其中尤以粒子滤波(PF)受到更为广泛的关注，所以近年来又出现了基于粒子滤波方法实现目标的纯方位测量定位技术，该方法虽然比基于KF的方法定位精度高，但是该方法对实现后验概率的精确估计需要较多的粒子数，导致计算量大，计算时间长，不利于实时应用。
技术实现思路
本专利技术的目的在于提供一种水下多目标跟踪方法，用于需要对水下运动目标进行定位及跟踪的应用场合，克服现有技术单站观测系统的不可观测性和粒子滤波计算速度慢的不足。本专利技术的目的通过以下技术方案予以实现：一种水下多目标跟踪方法，基于无线传感器网络定位系统，所述无线传感器网络定位系统包括多个传感器节点1、簇头节点2以及控制系统3，水下多目标跟踪方法包括以下步骤：1)无线传感器网络定位系统中的传感器节点1自我编号，标示唯一身份，所述传感器节点1以自带的GPS装置完成时间同步与自身定位；2)依据传感器节点1通信距离对网络进行簇划分，并且选择簇头节点2，完成网络初始化；3)所述传感器节点1对所在簇内进行监测，依据采集信号判断是否有目标出现，当出现目标后，利用阵列信号处理技术对目标的方位进行测量；4)传感器节点1将测量到的目标相对于传感器节点1的方位角及自身所在位置经纬度信息通过无线方式发送给簇头节点2；5)根据k-1时刻的估计值预测k时刻的测量值其中xp(k-1),xv(k-1)分别表示目标在x轴方向的位置和速度，yp(k-1),yv(k-1)分别表示目标在y轴方向的位置和速度，zp(k-1),zv(k-1)分别表示目标在z轴方向的位置和速度；表示k时刻传感器节点1测量到的方位角，包含两个角度即：水平方位角以及俯仰角6)拆分得到与目标t所有可能的互联集合L，其中t表示k时刻的目标，t=1,2,…,T；T表示目标总数；7)对于所有可能的互联集合L，fori=1到Ns，Ns表示系统中传感器的个数；①根据预测确定目标t确认区域，产生确认矩阵Ω=[wjt],j=1,2,…,mk;t=0,1,…,T，其中wjt表示量测j落入目标t的确认门内，当量测j落入目标t的跟踪门时wjt=1，否则wjt=0；确认矩阵用来表示有效回波和各目标跟踪门的关系；②把确认矩阵拆成互联矩阵；③根据式计算互联概率表示给定测量序列Zk的条件下事件(k)的概率，是第i个传感器的第li个量测与目标t互联的单个传感器联合概率数据互联事件的概率；8)按照改进重采样非扩维UPF算法根据L计算所述是k时刻第t个目标的改进重采样非扩维UPF的状态估计；所述改进重采样非扩维UPF算法包括：①采用非扩维UKF产生粒子建议分布；②将需要复制的粒子和被抛弃粒子进行组合，生成新的粒子，使新粒子同时包含被复制粒子和被抛弃粒子的信息，保证了粒子包含足够的信息来表示目标状态在状态空间的分布；9)根据式计算Xt(k)，得到k时刻目标状态估计，式中是k时刻第t个目标的改进重采样非扩维UPF的状态估计，是第i个传感器的第li个量测与目标t互联的单个传感器联合概率数据互联事件的概率；10)跳转到步骤5)进行下一时刻的循环。与现有技术相比，本专利技术的有益效果是：本专利技术在进行目标的定位应用中，对系统的配置借鉴无线传感器网络的技术特点，采用多传感器基于对多目标方位的观测最终实现对多目标的定位跟踪，该网络配置可以克服传统机载或舰载单站系统在观测期间必须进行机动的约束，当采用多传感器测量的目标方位信息实现目标协同定位，不需要观测平台的机动，提高了目标定位的灵活性，而且采用该系统配置实现可以大大增加目标监测定位的区域面积，避免存在定位盲区的不足。对于系统协同定位的算法，针对粒子滤波算法需要粒子数多，导致计算量很大且计算时间长的不足，本专利技术采用一种改进重采样非扩维无味粒子滤波算法实现在基于传感器网络配置下的目标定位方法，该算法充分利用当前时刻方位测量的信息来估计粒子后验概率密度函数，克服了PF算法中粒子选择具有盲目性的缺点，在很少粒子数目的情况下就能达到比PF算法近似且更好的定位精度，并且不需要扩展向量中状态维数，这样大大降低了计算复杂度，提高了计算时间，有利于系统的实时实现。附图说明图1是本专利技术系统配置示意图；图2是本专利技术传感器节点设计功能模块图；图3是本专利技术传感器节点功能划分图；图4是本专利技术定位系统初始化流程图；图5是本专利技术改进重采样非扩维UPF算法流程图；图6是本专利技术并行结构MSJPDA结合改进重采样非扩维UPF描述图；图7是本专利技术多目标定位方法流程图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明。下面将系统的阐述本专利技术定位系统配置、定位算法原理及采用的多目标数据融合算法。整个定位系统主要由以下几个部分组成：传感器节点1、簇头节点2、控制系统3，如图1所示。定位算法采用改进重采样非扩维无味粒子滤波算法实现目标的定位。下面从系统配置和定位算法及多传感器数据融合三个方面介绍本专利技术的具体实施例。1.系统配置：本专利技术是在基于传感器网络的系统配置基础上，采用一种改进重采样非扩维无味粒子滤波算法实现目标的运动分析，对目标进行定位和跟踪应用。系统由多个传感器节点1和簇头节点2及一个控制系统3组成；传感器节点1静态部署，也可以进行小范围的移动。其位置坐标可通过传感器节点1利用自带的GPS装置完成自定位，也可以通过几个已知坐标的锚节点依据一定的自定位协议完成自定位；单传感器节点1需具有测向功能，这个功能可通过采用阵列信号处理手段实现目标的方位估计；为了进行数据的交互和组网功能，传感器节点1需具有无线通信功能；簇头节点2负责本小区域内目标定位跟踪，它可做为本小区的网关节点看待；簇头节点2存储有该区域内所有传感器节点1的位置坐标；并负责收集该簇内传感器节点1所测量的目标方位信息；利用改进重采样非扩维无味粒子滤波算法实现对目标的定位跟踪；控制系统3负责收集各个区域内簇头节点定位跟本文档来自技高网...

【技术保护点】
一种水下多目标跟踪方法，基于无线传感器网络定位系统，所述无线传感器网络定位系统包括多个传感器节点(1)、簇头节点(2)以及控制系统(3)，其特征在于，水下多目标跟踪方法包括以下步骤：1）无线传感器网络定位系统中的传感器节点(1)自我编号，标示唯一身份，所述传感器节点(1)以自带的GPS装置完成时间同步与自身定位；2）依据传感器节点(1)通信距离对网络进行簇划分，并且选择簇头节点(2)，完成网络初始化；3）所述传感器节点(1)对所在簇内进行监测，依据采集信号判断是否有目标出现，当出现目标后，利用阵列信号处理技术对目标的方位进行测量；4）传感器节点(1)将测量到的目标相对于传感器节点(1)的方位角及自身所在位置经纬度信息通过无线方式发送给簇头节点(2)；5）根据k?1时刻的估计值预测k时刻的测量值其中X^(k-1)=[xp(k-1),xv(k-1),yp(k-1),yv(k-1),zp(k-1),zp(k-1)]T,xp(k?1),xv(k?1)分别表示目标在x轴方向的位置和速度，yp(k?1),yv(k?1)分别表示目标在y轴方向的位置和速度,zp(k?1),zv(k?1)分别表示目标在z轴方向的位置和速度；表示k时刻传感器节点1测量到的方位角，包含两个角度即：水平方位角以及俯仰角arctan(z(k)-z1(x(k)-x1)2+(y(k)-y1)2);6）拆分得到与目标t所有可能的互联集合L，其中t表示k时刻的目标，t=1,2,…,T；T表示目标总数；7）对于所有可能的互联集合L，for?i=1到Ns，Ns表示系统中传感器的个数；①根据预测确定目标t确认区域，产生确认矩阵Ω=[wjt],j=1,2,…,mk;t=0,1,…,T，其中wjt表示量测j落入目标t的确认门内，当量测j落入目标t的跟踪门时wjt=1，否则wjt=0；确认矩阵用来表示有效回波和各目标跟踪门的关系；②把确认矩阵拆成互联矩阵；③根据式βjt(k)=Pr(θjt(k)|Zk)=Pr{∪i=0nkθjti(k)|Zk}=Σi=1nkPr{θi(k)|Zk}w^jti(θi(k))计算互联概率表示给定测量序列Zk的条件下事件的概率，是第i个传感器的第li个量测与目标t互联的单个传感器联合概率数据互联事件的概率；8）按照改进重采样非扩维UPF算法根据L计算所述是k时刻第t个目标的改进重采样非扩维UPF的状态估计；所述改进重采样非扩维UPF算法包括：①采用非扩维UKF产生粒子建议分布；②将需要复制的粒子和被抛弃粒子进行组合，生成新的粒子，使新粒子同时包含被复制粒子和被抛弃粒子的信息，保证了粒子包含足够的信息来表示目标状态在状态空间的分布；9）根据式X^t(k)=ΣLβLt(k)X^L(k)=ΣLΠi=1Nsβli,it(k)X^Lt(k)计算Xt(k)，得到k时刻目标状态估计，式中是k时刻第t个目标的改进重采样非扩维UPF的状态估计，是第i个传感器的第li个量测与目标t互联的单个传感器联合概率数据互联事件的概率；10）跳转到步骤5）进行下一时刻的循环。FDA0000431317050000011.jpg,FDA0000431317050000012.jpg,FDA0000431317050000014.jpg,FDA0000431317050000015.jpg,FDA0000431317050000017.jpg,FDA0000431317050000022.jpg,FDA0000431317050000023.jpg,FDA0000431317050000024.jpg,FDA0000431317050000025.jpg,FDA0000431317050000026.jpg,FDA0000431317050000028.jpg,FDA0000431317050000029.jpg...

【技术特征摘要】
1.一种水下多目标跟踪方法，基于无线传感器网络定位系统，所述无线传感器网络定位系统包括多个传感器节点(1)、簇头节点(2)以及控制系统(3)，其特征在于，水下多目标跟踪方法包括以下步骤：1)无线传感器网络定位系统中的传感器节点(1)自我编号，标示唯一身份，所述传感器节点(1)以自带的GPS装置完成时间同步与自身定位；2)依据传感器节点(1)通信距离对网络进行簇划分，并且选择簇头节点(2)，完成网络初始化；3)所述传感器节点(1)对所在簇内进行监测，依据采集信号判断是否有目标出现，当出现目标后，利用阵列信号处理技术对目标的方位进行测量；4)传感器节点(1)将测量到的目标相对于传感器节点(1)的方位角及自身所在位置经纬度信息通过无线方式发送给簇头节点(2)；5)根据k-1时刻的估计值预测k时刻的测量值其中xp(k-1),xv(k-1)分别表示目标在x轴方向的位置和速度，yp(k-1),yv(k-1)分别表示目标在y轴方向的位置和速度,zp(k-1),zv(k-1)分别表示目标在z轴方向的位置和速度；表示k时刻传感器节点(1)测量到的方位角，包含两个角度即：水平方位角以及俯仰角其中，x(k)，y(k)，z(k)表示目标在k时刻的位置坐标，x1，y1，z1表示1号传感器节点所部署的位置坐标；6)拆分得到与目标t所有可能的互联集合L，其中t表示k时刻的目标，t＝1,2,…,T；T表示目标总数；7)对于所有可能的互联集合L，fori＝1到Ns，Ns表示系统中传感器的个数；①根据预测确定目标t确认区域，产生确认矩阵Ω＝[wjt],j＝1,2,…,mk；...

【专利技术属性】
技术研发人员：王彪，冯科磊，朱志宇，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：