[发明专利]基于粒子化和积算法的无线传感器网络目标跟踪方法

摘要

本发明公开了一种基于粒子化和积算法的无线传感器网络目标跟踪方法，包括：传感器观测自身与目标之间的距离；传感器构建目标跟踪的因子图模型，采用粒子化和积算法计算目标状态的本地后验概率分布；传感器广播目标状态的本地后验概率分布，并接收邻居传感器的本地后验概率分布；传感器采用粒子化和积算法计算目标状态的全局后验概率分布；传感器估计目标的位置；判断距离目标最近的传感器，并广播目标的估计位置。本发明采用因子图模型对无线传感器网络目标跟踪进行建模，并采用粒子化和积算法通过计算目标状态的后验概率分布，实现对目标位置的估计。

主权项

1.基于粒子化和积算法的无线传感器网络目标跟踪方法，其特征在于：包括以下步骤，步骤1，t时刻，监控区域的每个传感器观测自身与目标之间的距离，获得各自的本地观测数据z_t；步骤2，每个传感器根据本地观测数据z_t，构建因子图模型，用因子图模型表示目标状态X_t和本地观测数据z_t的联合概率分布，并采用粒子化和积算法计算目标状态X_t的本地后验概率分布；步骤3，每个传感器广播本地后验概率分布，并接收邻居传感器的本地后验概率分布；步骤4，每个传感器根据自身和邻居传感器的本地后验概率分布，采用粒子化和积算法计算目标状态X_t的全局后验概率分布；步骤5，每个传感器根据全局后验概率分布估计目标的位置；步骤6，判断距离目标最近的传感器，并广播目标的估计位置；传感器的观测方程为，其中，z_t表示t时刻传感器的距离观测数据，即传感器的本地观测数据，[n_xn_y]^T表示传感器的位置，[x_ty_t]^T＝P_t表示t时刻目标的位置，v_t表示t时刻的观测噪声；t时刻目标状态X_t的状态方程为，其中，表示t时刻目标速度，表示t‑1时刻目标速度，[x_t‑1y_t‑1]^T＝P_t‑1表示t‑1时刻目标的位置，表示t‑1时刻目标加速度，[u_xu_y]^T表示过程噪声；其中，t_s表示时间的步进长度；目标状态X_t和本地观测数据z_t的联合概率分布p(X_t,z_t|X_t‑1,A_t‑1)表达式为，p(X_t,z_t|X_t‑1,A_t‑1)＝p(z_t|X_t)·p(X_t|X_t‑1,A_t‑1)其中，p(z_t|X_t)表示似然函数，p(X_t|X_t‑1,A_t‑1)表示先验概率分布，X_t‑1表示t‑1时刻的目标状态；采用因子图表示p(X_t,z_t|X_t‑1,A_t‑1)的因式分解为，f_X(X_t,X_t‑1,A_t‑1)＝p(X_t|X_t‑1,A_t‑1)f_z(X_t,z_t)＝p(z_t|X_t)其中，f_X(X_t,X_t‑1,A_t‑1)表示因子结点f_X的本地函数，f_z(X_t,z_t)表示因子结点f_z的本地函数；步骤2中，粒子化和积算法计算目标状态X_t的本地后验概率分布的过程包括，粒子化和积算法的因子结点f_z的粒子化消息更新准则：A1)输入变量结点z_t传递至因子结点f_z的消息A2)通过传感器的观测方程，将因子结点f_z的本地函数p(z_t|X_t)简化为p(z_t|P_t)；A3)P_t的分布以传感器的位置[n_xn_y]^T为圆心，d＝z_t‑v_t为半径的圆，因子结点f_z传递至变量结点X_t的消息的粒子化形式为其中，θⁱ～U(0,2π)，N表示粒子个数，i∈[1,N]，θⁱ～U(0,2π)表示θⁱ从区间[0,2π]的均匀分布中直接采样，表示观测噪声v_t的概率分布函数，P_tⁱ表示消息的第i个粒子，表示消息的第i个权重，v_t表示t时刻的观测噪声；粒子化和积算法的因子结点f_X的粒子化消息更新准则：B1)输入变量结点X_t‑1传递至因子结点f_X的粒子化消息即t‑1时刻目标状态X_t‑1的全局后验概率分布其中，表示变量结点X_t‑1的第i个粒子，表示变量结点X_t‑1的第i个权重；B2)输入变量结点A_t‑1传递至因子结点f_X的粒子化消息即其中，表示变量结点A_t‑1的第i个粒子，表示变量结点A_t‑1的第i个权重；B3)因子结点f_X的本地函数p(X_t|X_t‑1,A_t‑1)由状态方程给出；B4)因子结点f_X传递至变量结点X_t的消息的粒子化形式为其中，分别表示过程噪声Uⁱ在x和y轴上的分量，p_U(u)表示过程噪声分量u_x和u_y的概率分布函数；粒子化和积算法的变量结点X_t的粒子化消息更新准则：C1)输入因子结点f_z传递至变量结点X_t的粒子化消息即C2)输入因子结点f_X传递至变量结点X_t的粒子化消息即C3)变量结点X_t将的粒子和的粒子的前两项进行乘积，计算得到目标位置P_t的本地后验概率分布其中，表示本地后验概率分布p_local(P_t)的第i个粒子，表示本地后验概率分布p_local(P_t)的第i个权重。