文摘

在无线传感器网络目标跟踪,选择合适的工作节点不仅可以减少活动节点的数量,但也满足跟踪可靠性要求。然而,大多数现有的工作集中在选择传感器节点是最近的目标跟踪任务,他们没有考虑相关的传感器节点的位置,所以这些方法不能满足所有的目标网络。这项工作提出了一个有效的和自适应节点选择方法跟踪目标在分布式无线传感器网络。该方法结合了基于距离的节点选择策略和粒子滤波预测考虑不同的传感节点的空间相关性。此外,联合距离加权测量提出了估计传感节点的信息效用。实验结果表明,指超过了最先进的方法通过减少能源成本和计算复杂度以及保证跟踪精度。

1。介绍

无线传感器网络(网络)是由大量的小,低成本,无线连接传感器节点部署在一个无人看管的自然环境。由于传感器节点通常是电池,没那么通过在部署后更换电池补充能量,因此优化能源消费是至关重要的在WSN延长网络生命周期的所有方面。

在网络中,一个重要的应用程序的目标跟踪近年来倍受关注(1]。在这个应用程序中,传感器节点共同监控领域的移动对象的漫游路径部署。然而,在目标跟踪,用户只对某一事件的发生感兴趣,喜欢运动的入侵者或敌人的坦克在战斗中。由于传感器节点部署在网络密集,单个目标通常是由许多节点记录而这些记录是空间相关的。这种相关性的程度,这些节点之间的距离成反比。为了节约能源,较少的传感器事件区域而不是整个数量的传感器是用来跟踪任务。因此,动态地选择最好的节点跟踪任务可以平衡每个传感器节点的能量消耗,提高网络的生命周期。因此,它是至关重要的选择优化组以最低的成本获取传感器节点和质量跟踪性能。解决节点选择问题,entropy-based信息效用提出了测量,用贝叶斯滤波器实现,如(2]。虽然他们取得良好的跟踪精度,这些方法计算昂贵。在[3),作者提出一种加权效用测量需要更少的计算基于距离信息,但可以达到竞争的跟踪精度。不幸的是,这种方法不考虑空间相关性的感觉到报告由不同的传感器。到目前为止,现有的工作不能满足所有网络目标跟踪的目标。

这些动机,我们提出一个有效的和自适应节点选择(指)策略,动态地选择最佳的一组传感器节点网络的目标跟踪。指“结合了基于距离的节点选择策略和粒子滤波预测。豆类的主要目标是保持可靠的对象跟踪以最小的能源消耗。更确切地说,本文的主要贡献包括以下:(我)提出了一种新型spatial-correlated节点选择策略,叫做方面笨手笨脚的,选择的节点剩余能量和考虑空间相关性的传感器位于不同位置在感应范围内。因此,豆类可以平衡能源消耗和保证跟踪的可靠性与最优的传感器节点,减少工作节点集,大大降低能源消耗。(2)提出了一种联合距离加权信息效用测量,在联合效用的信息可以作为视线的重叠区域的传感器和covariance-related椭圆。通过这种方式,指“评估一个传感器节点的有效性的观察而不复杂的熵计算和估计的后验分布。因此,豆类可以减少计算复杂度,节省计算成本。(3)不仅指认为虚拟传感器和目标之间的距离,而且并行度传感器对目标的视线。换句话说,它还考虑角度的多样性的影响视线,传感节点的范围指更加可靠。

本文的其余部分组织如下:部分2概述相关的工作。然后,提出高效、自适应节点选择方法是详细介绍部分3。实验结果部分所示4。最后,我们总结论文部分5。

2。相关的工作

最近,选择最佳的节点问题跟踪目标在分布式网络已经吸引了许多研究关注。

最简单的方法(如[4])是选择最短的距离的接近的节点到目标跟踪任务。这种方法计算简单但是跟踪精度较低。提高跟踪精度,提出了一种距离和效用函数的组合在5),其中每个节点提取一个优先级值根据其效用函数,这是相关的目标节点的距离。用更少的优先级降低传感节点范围之前他们的邻居。然后,节点不能覆盖任何目标或其附近的目标是由邻居节点不分配任务和它们关闭。然而,这种方法需要的所有节点的位置信息。

在[6),作者提出了一种分散的估计方法,该方法只需要使用本地节点信息来实现节点的选择。此外,活动传感器的数量自适应地确定基于绝对当地创新向量(6]。在[7),后Cramer-Rao下界(PCRLB)被用作标准传感器选择和详尽的采用枚举搜索所有可能的组合寻求PCRLB的最小值。不幸的是,枚举搜索将是一个巨大的计算负担,即使一个传感器网络的密度是媒介。为了降低复杂性,条件后Cramer-Rao下界(C-PCRLB) (8)提出了一个传感器选择指标,对选定的总数有限制传感器观察目标在一个时间窗口。这些方法考虑所选节点的数量,但他们没有考虑每个节点的剩余能量和没有考虑节点更适合跟踪任务。此外,还有大量的计算负担。

在[9),作者提出了一个节点选择方案在粒子滤波的框架下,使用协作跟踪集群网络体系结构。这项工作考虑传感器节点的剩余能量,达到节能高效以及需要跟踪的可靠性。然而,集群头总是消耗额外的能量,因为控制跟踪。节点选择也忽略了角节点的多样性。在[10),一个节能bearings-only传感器的节点选择算法。一个节点的剩余能量被纳入目标函数节点选择一个新的标准。然而,所有节点在需要时间同步,这是在实践中难以实现。在[11),用户选择方案提出了合作频谱感知的能耗开销最小化。这种方法可以节约能源,实现传感精度合理,但它只侧重于认知无线电传感器节点。

在[2),一个entropy-based传感器选择启发式方法提出。它是用贝叶斯滤波器实现。entropy-based方法的主要思想是优化信息效用函数使用已定义的度量。在[12),一个基于互信息的传感器选择(小姐)算法实现参与混合的过程。小姐允许最高的传感器节点共同的目标状态信息传输数据,这样的能量摄入减少,而首选的目标位置估计精度是满足。在[13],作者提出了一种轻量级的传感节点选择方案,它解决了传感节点选择问题,采用一种复合函数的信息效用测量和能源消耗携带不同的权重。尽管这些方法实现良好的跟踪精度,这些方法都以节点带来的信息效用为目标函数和计算复杂度高和昂贵的成本计算。

在[14),节点选择是制定一个子集选择问题,显示有一个np难度的复杂性。每一步的跟踪任务,主动节点选择从所有传感器在感应范围内尽量减少残留能量变化。在[15),作者提出了一个Fixed-Tree理论算法(FTRA)和一个非常有效的分布式算法迭代(IDA),共同优化传感器的选择和路由结构,获得最好的估计性能在给定查询节点,对于一个给定的总功率预算。然而,这些方法选择一个传感器节点在每个步骤的任务,没有考虑传感节点的位置关系。因为在感应范围内节点的不同组合可以获得不同的跟踪性能和残留的能量变化,节点选择问题应考虑完全。除此之外,在3),作者提出了一种基于距离加权bearings-only传感器WSN节点选择方法。最小加权距离被激活的传感器跟踪任务。虽然距离加权方法需要较少的计算与entropy-based传感器选择方法相比,它只选择一个传感器来跟踪目标每次和不考虑传感器节点的空间相关性。

3所示。有效的和自适应节点选择

3.1。网络模型

在本文中,我们考虑一个静态传感器网络是由一个水槽和随机分布的传感器节点,在一个二维遥感领域,是已部署的节点的数量。我们的传感器网络模型和假设有以下属性:(我)水槽是固定的,有一个无限的电力供应。它由传感器节点收集的信息感知。(2)传感器节点的分布是相互独立的。每个节点是均匀和能源约束。(3)每个节点知道自己的立场通过使用GPS或任何定位算法。让节点的位置。

传感器节点有三个州,活跃,睡眠和空闲状态。大部分时间他们仍然在睡眠状态,切换到活动状态在特定时段安排的下沉。在活动时段,传感器节点接收任务消息从水槽和检查如果有感应或在下次即时传送任务。如果有任务,他们将保持活跃;否则他们会睡在传感即时。之后,预测下一个目标的位置到水槽节点接收的数据使用粒子滤波算法。然后,水槽选择最好的下一个任务节点根据联合距离加权信息效用测量。

我们工作的目标是选择最好的子集节点为下一个跟踪任务。此外,我们决定哪些节点子集是最好的两个因素:(1)联合距离加权信息效用和(2)成功的探测概率和候选节点的剩余能量。因此,任何时候,当一个目标的位置,目标可以可靠地检测到更少的能源消耗和平衡。

3.2。基于粒子滤波预测目标的位置

在目标跟踪领域的研究中,粒子滤波(PF)已成为一个非常有效的算法由于其潜在的应对困难的非线性、非高斯问题。PF与平行结构是基于蒙特卡罗模拟和抽样估计贝叶斯理论(16]。和它是一个序贯重要性采样方法灵活和容易实现。

水槽节点可以获得目标位置的协作感知结果,水槽节点上执行PF算法来预测目标的位置在接下来的感应。PF算法的原理图如图1。

PF的步骤概述如下。

(1)初始化。假设初始目标位置概率分布,粒子集显示如下: 在哪里是粒子的数量。是目标位置估计在最初的感应。因此,估计目标位置的粒子。此外,粒子的初始体重的重要性是设置为

(2)迭代。体重的重要性时间即时计算如下: 在哪里观察目标职位传感。

(3)重新采样。当重要性权值的方差变得过高,粒子需要重新取样。有效的样本容量被定义为 在哪里是方差函数。当低于阈值,重新取样根据样品并设置粒子的重要性权重作为

因此,目标位置更新的状态 在每个传感即时,水槽节点可以获得之前的状态下感应即时目标位置。

3.3。有效的和自适应节点选择

动态地选择最佳的传感器节点跟踪任务可以减少网络的能量消耗,提高跟踪精度。如图2显示,有许多传感器节点在感应区域。然而,跟踪一个目标不需要那么多的传感器节点。一般来说,我们应该选择传感器节点候选节点之间可以带来更多的信息。水槽需要决定哪些节点应该为下一个任务活动和哪些节点应该保持睡眠来节约能源。

entropy-based方法,信息熵作为实用措施。节点的信息效用通过计算 在哪里目标状态的后验分布。entropy-based信息效用衡量的更多细节可以在[2]。

根据节3.2,我们的知识目标状态预测的PF算法。从这,我们可以获得目标的预测位置和协方差矩阵 在哪里和一起的偏差- - -相互重合,分别是相关系数。然后一个新的坐标系统的起源和其轴的特征向量的方向,可以建立3]。在新的坐标系统,预测的信念是由零均值高斯密度函数与协方差: 在哪里和最大的和最小的特征值吗,分别。然后,目标的状态的不确定性可以表示为一个椭圆的长轴和短轴和分别如图3所示。选择3σ是因为,覆盖区域内的3σ椭圆,目标,遵循一个高斯分布的状态,将会出现98.89%的机会(17]。

假设测量误差是已知的,位置的节点可以用极坐标吗。然后,实用的信息定义为距离加权方法 即信息效用的加权距离法可以近似的视线相交区域的候选节点和椭圆,如图3所示。面积越小,提供的信息节点。

不幸的是,由于传感节点的位置会影响彼此的估计目标的状态和位置,只考虑一个传感器节点每次当节点选择算法实现是不够的。如图4、节点,,是三个候选人的传感节点。封闭区域的节点和(图4(一))远远大于由封闭的节点的区域和(图4 (b))。也就是说,如果我们都选择两个传感器节点,选择节点和可以获得更多的确定性比选择节点目标的状态吗和。因此,当节点选择的相关性应该考虑传感器节点的位置。我们提出了一个联合距离加权信息效用测量有效地选择节点跟踪任务。它可以表示如下: 在哪里是确定区域封闭的视线节点和椭圆(例如图3)。考虑是确定区域的重叠区域的节点和。面积越小是,确定利用节点的信息。

不确定性称为椭圆的方程 为了获得联合距离加权效用的信息,我们只需要计算方程的视线传感器节点。计算过程如下(图3作为一个例子)。(1)线交叉节点并表示为原点 因此,从节点的距离的起源是 (2)计算角度的程度是 (3)计算节点的距离到节点是 在哪里的视线角节点。因此,我们得到线方程是获得。因此,我们可以得到其他线的方程并计算确定区域。为简单起见,可以是大约计算数量的有效点。假设点是在均匀椭圆和随机生成的;下降点的面积被称为有效点。通过这种方式,复杂的熵计算转化为简单的比较操作。此外,我们可以通过选择适当的控制计算复杂性和准确性。在我们的工作中,我们设置。

当水槽获得目标的位置估计,它需要选择和清醒的传感器节点为下次即时跟踪。所有节点的感知范围包括被视为候选节点和相应的区域称为传感区域。水槽首先选择一个节点最残余能量的感应区域。然后,联合信息的效用分别和其他候选节点计算。并选择节点的联合信息效用最大跟踪节点。这个过程一直持续到足够的跟踪节点被选中。它可以描述的算法1。

4所示。绩效评估

评价该方法的性能方面笨手笨脚的,我们模拟一个网络与100个传感器节点随机在100×100区域。我们也比较仿真结果与最近的节点选择(节点选择最接近目标跟踪),加权距离节点选择方法(选择一个节点一旦时间根据自己的信息效用)和entropy-based方法在均方误差方面,执行时间和能源成本。

水槽是固定的,位于(100、150)。每个传感器节点的传感范围m。此外,每个传感器都有40度角和测量误差遵循一个高斯分布的标准差是3度。我们还假设每个节点有一个初始的能量1 J(焦耳)。一个广泛使用的能源消耗模型(如在18采用]),如中描述 在哪里和是发射机和接收机的能源消费电子产品。是一个常数,表示所需要的能量传输一个比特来实现一个可接受的信号噪声比距离,路径损耗指数(),这取决于信道质量。我们可以假设并设置参数新泽西/ b,pJ / (),。闲置和睡眠模式下的功耗无线0.22 mW 0.000006 mW,分别。无线信道的带宽是1 Mbps,我们采用的MAC模型内部IEEE 802.15.4。提供服务在我们的实验中,数据包大小是2000位和控制消息是64位长。在PF算法中,粒子数设置为200和重采样阈值。采样周期是1。

一个移动的目标,我们假设一个目标与最大加速度传感区域随机移动和最大速度。这个过程是由模型 在哪里移动目标的状态在哪里瞬间的时间。采样时间间隔,。是目标的位置和速度的方向分别设在。,是目标的位置和速度的方向分别设在。的状态转换噪声目标:,。此外,观测模型 在哪里是观测矩阵。是测量噪声假定为零均值和方差的高斯白噪声序列。目标轨迹生成如图5这场景可以代表的推广目标跟踪问题。对于每个仿真,我们运行至少50次不同随机节点分布和平均结果如图6。

图6显示了均方误差定位在不同的方法3节点选择跟踪。从图6,我们可以看到,最近的节点选择方法给出了最大的错误,因为它没有考虑目标的运动趋势和传感器节点的角多样性的影响。entropy-based方法最准确的结果,因为它执行大量的概率预测计算密集型和熵的计算。加权距离节点选择方法具有精度低于在该方面笨手笨脚的,因为它每次选择一个节点,不考虑传感器节点的位置之间的关系。如图6,指方法达到几乎相同的精度entropy-based方法,因为它采用联合距离加权信息效用测量考虑传感器节点的空间相关性为节点选择提供更有用的信息。

为了研究这些方法的计算复杂性的模拟,实验进行了保持其他参数固定和逐步增加活动的候选节点被选中的数量跟踪传感领域。具体来说,候选节点增加从1到10。图7展示了不同的方法的执行时间。不足为奇的是,所有的算法使用更多的执行时间增加候选节点的数量。这是因为传感器节点计算需要更多候选人。entropy-based方法的执行时间迅速上升的速度增加候选节点和这些方法之间是最大的,因为需要更多的预测和互信息的计算工具和更复杂的带有大量的传感器节点。最接近的方法达到最好的结果比别人更因为它是简单的估算节点和目标之间的距离。的执行时间方面笨手笨脚的有点大于加权距离的方法当候选节点增加,因为需要更多的计算联合信息效用。然而,豆类是非常接近的结果的加权距离的方法,这两种方法最大的不同是0.1秒。从数据6和7,我们可以看到,指实现更多的准确性相对较低的计算复杂度。

此外,如今,传感器节点可以有更长的或变量传感范围。如果传感器的传感范围改变,传感器节点的数量在感应范围内也发生了变化。表1显示节点的平均执行时间与不同的传感范围选择不同的方法。显然,感应范围传感器的时间越长,越多的节点在感应范围内;也就是说,节点选择算法需要选择工作节点从大量的节点。因此,每种方法的平均执行时间是增加。然而,我们指也有良好的性能。关于跟踪精度,增加节点的传感范围没有影响,因为跟踪精度取决于所选的工作节点和选定的工作节点的数量。

图8显示了均方误差和定位跟踪选定节点的数量。显然,被选中的节点越多,获得的更多的准确性可以在选定的节点1到6的范围。如果所选节点的数量大于6,准确度增加缓慢,难以觉察地因为一些选定的节点将重复和无用的信息。如图8,尽管最近的方法的准确性与增加选定的节点,它有最糟糕的结果,因为所选节点提供更有用的信息。当所选节点从1到5,豆类的准确性大幅增加,因为最有用的节点可以选择设置跟踪方面笨手笨脚的。距离加权方法有更糟糕的结果比豆类因为节点的相关性没有考虑节点的选择。比较的结果指亲密和加权距离的方法,是见过,使用更少的节点的跟踪在豆类可以达到的精度获得更多的选择节点的其他两种方法。因此,指方法可以减少活跃节点的跟踪,以节约能源,保证跟踪性能。

最后,表2显示的比较系统的平均能源成本和失败的跟踪比例的四个方法。我们可以看到,指最小能量消耗在这些方法。这是由于以下原因:(1)指降低了跟踪任务活动节点的数量。(2)目标状态预测在实现方面笨手笨脚的,不花传感器节点的能量。(3)有相对较少的计算工作。尽管最近的方法最简单的计算,它需要更多的活跃节点保证跟踪精度,最能源成本。entropy-based方法花费更多的能量,因为它有大量的计算工作。此外,由于最近的方法选择附近的节点目标的当前位置,不考虑下一个目标位置,跟踪失败比例高于其他人。总之,指达到更多的能源效率,减少计算复杂度,同时降低了跟踪的性能。

5。结论

提出了一种有效的和自适应节点选择了网络(指)目标跟踪方法。指“结合了基于距离的节点选择策略和粒子滤波在下沉预测实现目标状态。提出spatial-correlated节点选择算法使用一个联合距离加权测量来估计传感节点的信息效用。豆类比其他方法更好的性能,考虑空间相关性的传感节点的过程中节点选择。仿真结果证明,指超过了最先进的方法通过减少能源成本和计算复杂度以及保证跟踪精度。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金资助下的中国61301094,山东的航天创新基金会拨款2014 jj009,中央大学和基础研究基金拨款3102015 zy040之下。