資源描述：
《基于改進粒子濾波器的WSNs目標(biāo)跟蹤算法.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、132傳感器與微系統(tǒng)(TransducerandMicrosystemTechnologies)2011年第3O卷第3期基于改進粒子濾波器的WSNs目標(biāo)跟蹤算法李寧一，徐守坤，馬正華，石林，。(1．常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州213164；2．常州大學(xué)國際普適計算研究院江蘇常州213164)摘要：提出了一種適用于無線傳感器網(wǎng)絡(luò)(WSNs)的目標(biāo)跟蹤算法，該算法基于改進型粒子濾波器(PF)，根據(jù)當(dāng)前的預(yù)測值優(yōu)化PF的方向值，從而保證精確地預(yù)測到目標(biāo)的移動方向；修改了目標(biāo)突發(fā)變化引起的粒子濾波器預(yù)測誤差，能夠很好地跟蹤目標(biāo)移動過程中的異常、突發(fā)的移動變化。仿真結(jié)果表
2、明：該目標(biāo)跟蹤算法采用新的粒子濾波器之后，可以獲得更為精準(zhǔn)的目標(biāo)跟蹤性能。關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)；信息粒子濾波；方向預(yù)測；目標(biāo)跟蹤中圖分類號：TP393文獻標(biāo)識碼：A文章編號：1000-9787(2011)03-0132-03TargettrackingschemebasedonimprovedparticlefilteralgorithmforwirelesssensornetworksLINing一，XUShou—kun，MAZheng．hua，SHILin，(1．SchoolofInformationScienceandEngineering，ChangzhouU
3、niversity，Changzhou213164，China；2。InternationalInstituteofUbiquitousComputing，ChangzhouUniversity，Changzhou213164，China)Abstract：AnimprovedparticlefilteralgorithmforWSNstargettrackingisproposed．PF’Sdirectionvalueisoptimizedaccordingtocurrentpredictionvaluetopredictmovingdirectionofthetar
4、getaccurately．Predictionerrorprecisionofparticlefilterthatispossiblyproducedbysuddenchangesindirectionismodified．Simulationresultsshowthatthenewpaniclefilteralgorithmcanachievebettertrackingperformancethanotherfilteralgorithms．Keywords：wirelesssensornetworks(WSNs)；information—particlefil
5、ter(I-PF)；predictionofdirection；targettracking0引言行轉(zhuǎn)換，動態(tài)記錄被跟蹤目標(biāo)節(jié)點的特征變化過程。無線傳感器網(wǎng)絡(luò)(wirelesssensornetworks，WSNs)就是1基于改進型PF的目標(biāo)跟蹤算法通過無線通信方式形成的一個多跳自組織網(wǎng)絡(luò)。對于大多1．1粒子濾波器數(shù)應(yīng)用，傳感器位置未知時搜集的數(shù)據(jù)是沒有意義的，因PF是基于蒙特卡洛方法(MonteCarlomethods)，采用此，傳感器節(jié)點必須明確自身位置，并且要實現(xiàn)對外部目標(biāo)粒子集記錄概率，可用于各種形式的狀態(tài)空間模型。主要的定位和追蹤。是根據(jù)后驗概率從而抽取隨機狀
6、態(tài)粒子得到其分布，是一粒子濾波(particlefilter，PF)非常適合于非線性和種順序重要性采樣(sequentialimportancesampling)法。PF非高斯問題，因此被廣泛應(yīng)用于目標(biāo)跟蹤。但在目標(biāo)跟蹤法是通過預(yù)測一組狀態(tài)空間傳播過程中的隨機樣本近似得過程中，其跟蹤性能對觀測模型的選擇依賴性較大。因為到概率密度函數(shù)，積分運算根據(jù)樣本均值得到，進而得到狀在WSNs中的被跟蹤的傳感器節(jié)點即跟蹤目標(biāo)的特征狀態(tài)態(tài)最小方差分布的過程中樣本是指粒子，當(dāng)樣本數(shù)量隨著時間的變化經(jīng)常與粒子預(yù)測模型出現(xiàn)誤差，所以，本文，v—oc時可以逼近任何形式的概率密度分布。提出了一種
7、基于新的粒子濾波器的目標(biāo)跟蹤算法，即將被對于粒子濾波器中的sigma點(k-1lk-1)(i=0，2，?跟蹤目標(biāo)的不同特征狀態(tài)與粒子預(yù)測模型經(jīng)過調(diào)整、修正，2L)可帶入式(1)得到后保持吻合，形成一組具有不同預(yù)測模型的粒子流，從而在(kIk-1)(k-1Ik-1)，k-1)'?(1)目標(biāo)節(jié)點的跟蹤過程中，根據(jù)不同的預(yù)測模型的粒子結(jié)合i=0，2，?，2L．搜集到的被跟蹤目標(biāo)節(jié)點所具有的特征線索的變化趨勢進PF主要是近似地表示真實分布的概率分布，由于采用收稿日期：201l_01_25第3期李寧，等：基于改進粒子濾波器的WSNs目標(biāo)跟蹤算法13
