韩小卫毕业论文（最终版本） - 图文(7)

哈尔滨工业大学工学硕士学位论文

少两个回复才能够成功定位，否则定位失败。设当前网络满足三度覆盖的感知区域占总感知区域的比例为p。具体分析时，对于满足三度覆盖的区域，每个簇就确定为三度覆盖，即有3个节点；小于三度覆盖的区域，确定每个簇为两度覆盖，有2个节点。因此，平均每个跟踪簇内的节点数为：

n?p?(1?p)?2?2?p (2-13)

基于“竞争”的方法，每个节点在受到触发后，都会发送查询定位信号，收到回复满足定位条件即成簇首。且该算法假定在理想情况下，忽略密集的信号冲突。平均每生成一簇每个簇内节点需要发送2次信号。一次竞争信号，一次定位回复信号（簇首一次竞争信号，一次定位查询信号），簇首进行一次定位计算。平均每簇能量消耗为：

Ecluster?n?2?Etran?Ecompute?(2?p)?2?Etran?Ecompute (2-14)

式中n表示平均簇内节点个数，2表示每个节点发送2次信号。Ecompute表示簇首定位计算能耗。Etran表示一次信号发送的能耗。

如果采用文献[33]中的时间戳竞争机制，每个簇平均发送3+(n-1)次消息（簇首三次：DETECTION、SUPPRESSION和UNSUPPRESSION，其余n-1个节点各一次）。平均每簇能量消耗为：

Ecluster?[3?(n?1)]?Etran?Ecompute?(4?p)?Etran?Ecompute (2-15)

本文提出的“预定太子簇首-异常-竞争”机制在太子簇首跟踪和异常跟踪两种模式下，簇内每个节点1次信号发送，竞争模式下簇内每个节点2次信号发送。如果网络三度覆盖率为p，则太子簇首跟踪和异常跟踪模式比例为p，竞争模式比例为1-p，平均每簇能耗为：

Ecluster?p?nEtran?(1?p)?2nEtran?Ecompute?(4?p2)?Etran?Ecompute (2-16)

公式(2-14)、(2-15)、(2-16)分别描述了三种跟踪算法的能量消耗，都是网络三度覆盖率p的函数。从能量消耗的角度看，无线信号的发送能耗远远大于计算的能耗，因此，可以忽略能耗Ecompute。图2-13给出了三种算法能耗的直观比较。由图2-13可得出两个结论：首先，三度覆盖率为0时，即每个簇假设都只有两个节点的极端情况，三种算法能耗相同。但此时跟踪毫无意义，因为任何一个簇都会定位失败；三度覆盖率为1时，本文算法相对于时间戳竞争算法能量节省了40%，相对于竞争算法节省了50%。其次，前两种算法的每簇能耗随着覆盖率增加而增加，主要是由于每簇的节点数的增加引起的；而本文算法每

- 26 -

哈尔滨工业大学工学硕士学位论文

算法能耗对比图7平均每簇能耗(单位:Etran)654321000.10.20.30.40.50.60.70.80.9三度覆盖率1本文算法竞争时间戳竞争

图2-13 算法能耗对比图示

Fig. 2-13 Chart of different algorithm energy consuming

簇能耗随着覆盖率增加而下降，主要由于随着覆盖率的增加，太子簇首跟踪和异常跟踪模式比重相应增大，竞争跟踪模式比重下降而导致的。

2.2.3 仿真验证

本节通过仿真实验，验证本算法低能耗特征，同时验证在目标出现偏转的情况下本文的跟踪算法仍可以保持对目标的跟踪，不会出现目标丢失现象。

模拟场景为1000×1000m 区域，传感器节点感知半径为40m，无线通讯半径为140m。目标移动距离1000米。

(1) 能量消耗验证

由于三度覆盖率小于60%时，每个算法的定位失败率都很大，很容易发生目标丢失，而导致跟踪失败，对于跟踪算法的能耗分析没有太大意义。因此，实验只对三度覆盖率大于60%的情况进行了仿真分析。实验数据重复100次求平均值。

图2-14即为三种算法能耗对比仿真结果。可以看出，其与图2-13的单簇平均能耗对比图形状基本一致。不同的是，竞争算法和时间戳竞争算法的总能耗与本文算法的总能耗比例大于平均单簇的能耗比例，这是因为本算法的太子簇首机制可以根据具体精度要求来控制定位点密度，从而减少定位次数，即减少总的簇数。因此可以进一步降低总体能量消耗。这也是本算法的另一个优点。

- 27 -

哈尔滨工业大学工学硕士学位论文

能耗仿真结果120100累计能耗(单位:Etran)8060402000.60.70.8三度覆盖率0.91本文算法竞争时间戳竞争

图2-14 算法能耗仿真结果

Fig. 2-14 Simulation results for energy consuming of different algorithm

(2) 目标轨迹偏转情况下的跟踪

因为本算法利用目标运动预测进行目标跟踪，因此需要验证当目标实际运动方向和预测方向出现偏转时本算法的有效性。大量仿真实验结果表明，当目标轨迹发生偏转时，本算法能够及时捕获到目标并维持对其跟踪。图2-15是大量仿真实例中的两次仿真的跟踪过程。实线为目标实际轨迹，虚线为跟踪结果，圆点为定位点。可以看出，即便目标轨迹发生突然偏转，本算法的“异常”跟踪机制仍然能够保证迅速捕捉到目标，避免目标的丢失，维持对目标的继续跟踪。

a)b)定位点目标实际轨迹目标跟踪轨迹

图2-15 目标轨迹偏转情况下的跟踪 Fig. 2-15 Tracking results for target deviation

- 28 -

哈尔滨工业大学工学硕士学位论文

2.3 本章小结

本章首先针对声源信号高信噪比跟踪环境，通过基于对能量的Binary质心定位和方程定位方法的优缺点分析，提出一种距离-量测定位方法。在满足实际应用的条件下，既提高了Binary质心定位精度，又消除了方程法带来的无解和虚根问题。仿真实验表明，此算法有效、可行。

随后，基于目标动向预测的跟踪簇算法，从节省节点能耗和提高跟踪效率角度考虑，对簇首的产生算法进行了改进。通过对传感器节点进行分类，采取一种“太子簇首-异常-竞争”机制，预定节点为太子簇首，尽可能地减少了节点信号发送次数，达到了节省能量的目的。仿真实验表明，此算法简单、节能、有效，同时满足目标跟踪的完备性要求。

- 29 -

哈尔滨工业大学工学硕士学位论文

第3章 感知网多目标跟踪算法研究

3.1 多目标场景分析及跟踪框架

多目标跟踪的所有问题来源归根结底只有一个——多个目标情况下，目标声音信号混杂，处理能力有限的无线传感器节点无法区分其量测的来源以及各目标对该量测的“贡献”大小。而多目标信号的混杂与其相互间的距离大小有着直接的关系。本节即从目标间距离远近出发，给出本文多目标跟踪的的总体思路和跟踪框架。如图3-1。

多目标类精确跟踪target1target2target3单目标跟踪多目标集群跟踪距离很远目标稀疏目标密集

图3-1 多目标跟踪框架

Fig. 3-1 Framework of multi-target tracking

(1) 远距离单目标跟踪。图3-1左右两侧。当目标间距离很远时，对于基于声音感知的节点，其相互影响可以忽略。因此，在此情形下，可以采用多个单目标分别跟踪的方法，对每个目标进行单目标跟踪。

(2) 稀疏多目标类精确跟踪。图3-1虚线之间部分。目标的数目较少、相互影响较小时，采用类精确跟踪算法。所谓类精确跟踪，也就是近似精确的跟踪，是一种try-best方法，其尽可能地区分开各个目标，得到每个目标的精确轨迹。

(3) 密集多目标集群跟踪。图3-1中间部分。随着目标数增多、目标密集

- 30 -

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库韩小卫毕业论文（最终版本） - 图文(7)在线全文阅读。