[发明专利]基于粒子群优化的传感器网络对机动目标的协同跟踪方法

说明书

技术领域

本发明属于雷达技术领域，具体的说是一种自适应地选择传感器网络中的雷达对目标进行最优跟踪的方法。

背景技术

对于传感器组网目标跟踪而言，参与跟踪的传感器越多，获得的关于目标的信息量就越大，进而可以获得越优的跟踪性能。但是，随着参与跟踪的传感器数量的增加，网络能耗也相应增大。在实际应用中，传感器网络的资源总量往往是受限的，当多个传感器均可实现目标跟踪时，需要选择代价最小，效果最佳的传感器或传感器组合进行跟踪。因此，如何优化目标跟踪精度与传感器网络能耗，提高资源有效利用率，为传感器网络决策出最佳传感器组合进行目标跟踪，是实现对目标高精度协同跟踪的一个关键问题。为了解决这个问题，现有技术有以下三种方法：

1.Christopher M.K.等人在“An information-based approach to sensor management in large dynamic networks[C].//Proceedings of the IEEE.U.S.:IEEE,2007,95(5):978-999.”文献[1]中，以最大化先、后验概率密度函数间的信息增量为代价函数实现跟踪传感器的选择，提高了目标跟踪精度，但是该方法网络能耗较大，同时这种采用集中式的传感器选择算法，一旦某一传感器出现问题，会导致整个算法失效。

2.LI Zhiming等人在“Sensor node deployment in wireless sensor networks based on improved particle swarm optimization[C].//Proceedings of 2009 IEEE International Conference on Applied Superconductivity and Electromagnetic Devices.Chengdu:IEEE,2009:215-217.”文献[2]中，采用粒子群优化对传感器网络中传感器进行优化部署，未考虑如目标检测、跟踪等具体探测行为，无法实时地对目标探测行为进行优化。

3.WANG Xue等人在“Distributed energy optimization for target tracking in wireless sensor networks[J].IEEE Transactions on Mobile Computing,2009,9(1):73-86.”文献[3]中，考虑了跟踪性能与网络能耗的问题，但其以状态估计的协方差矩阵的迹来衡量跟踪效果，并以此作为传感器选择的标准。对于非线性、非高斯系统而言，状态估计的协方差矩阵无法精确表征后验概率密度函数，用其来衡量跟踪效果是不精确的，进而选择的跟踪传感器往往不是最佳的。

发明内容

本发明的目的在于克服已有方法的缺点，提供一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，以自适应地选择传感器网络中的雷达对目标进行最优跟踪，确保在非高斯非线性环境下目标跟踪精度的同时降低网络能耗，满足实际应用中对网络低能耗的要求。

为实现上述目的，本发明的技术思路是：采用粒子群优化算法对传感器网络中的动态传感器的位置进行最优化部署，用最优化部署的传感器组合对目标进行真实探测，并将探测结果进行融合。其具体实现步骤包括如下：

1．一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，包括如下步骤：

1）根据目标当前的位置，采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署；

2）利用重新部署后的动态传感器和静态传感器对目标的预测位置进行预探测，获得关于目标位置的期望传感器观测值集合其中，k为观测时间，j为传感器编号，N为动态传感器总数，M为静态传感器总数；

3）将期望传感器观测值集合中的N+M个观测值进行随机组合，形成N_C个期望传感器观测值组合，其中，q表示第q个传感器观测值，是从N+M个期望观测值中选择的第q个观测值的排列数；

4）采用二值粒子群优化算法求取上述N_C个期望传感器观测值组合中的最优传感器观测值组合：