水下多目标跟踪方法

摘要

本发明公开了一种水下多目标跟踪方法，无线传感器网络定位系统包括多个传感器节点、簇头节点以及控制系统，系统定位采用一种改进重采样非扩维无味粒子滤波算法实现在基于传感器网络配置下的目标定位，该算法充分利用当前时刻方位测量的信息来估计粒子后验概率密度函数，克服了PF算法中粒子选择具有盲目性的缺点，在很少粒子数目的情况下就能达到比PF算法近似且更好的定位精度，并且不需要扩展向量中状态维数，这样大大降低了计算复杂度，提高了计算时间，有利于系统的实时实现。

主权项

一种水下多目标跟踪方法，基于无线传感器网络定位系统，所述无线传感器网络定位系统包括多个传感器节点(1)、簇头节点(2)以及控制系统(3)，其特征在于，水下多目标跟踪方法包括以下步骤：1)无线传感器网络定位系统中的传感器节点(1)自我编号，标示唯一身份，所述传感器节点(1)以自带的GPS装置完成时间同步与自身定位；2)依据传感器节点(1)通信距离对网络进行簇划分，并且选择簇头节点(2)，完成网络初始化；3)所述传感器节点(1)对所在簇内进行监测，依据采集信号判断是否有目标出现，当出现目标后，利用阵列信号处理技术对目标的方位进行测量；4)传感器节点(1)将测量到的目标相对于传感器节点(1)的方位角及自身所在位置经纬度信息通过无线方式发送给簇头节点(2)；5)根据k‑1时刻的估计值预测k时刻的测量值其中x_p(k‑1),x_v(k‑1)分别表示目标在x轴方向的位置和速度，y_p(k‑1),y_v(k‑1)分别表示目标在y轴方向的位置和速度,z_p(k‑1),z_v(k‑1)分别表示目标在z轴方向的位置和速度；表示k时刻传感器节点(1)测量到的方位角，包含两个角度即：水平方位角以及俯仰角其中，x(k)，y(k)，z(k)表示目标在k时刻的位置坐标，x₁，y₁，z₁表示1号传感器节点所部署的位置坐标；6)拆分得到与目标t所有可能的互联集合L，其中t表示k时刻的目标，t＝1,2,…,T；T表示目标总数；7)对于所有可能的互联集合L，for i＝1到N_s，N_s表示系统中传感器的个数；①根据预测确定目标t确认区域，产生确认矩阵Ω＝[w_jt],j＝1,2,…,m_k；t＝0,1,…,T，其中m_k表示k时刻落入跟踪波门中的有效回波量测数目，w_jt表示量测j落入目标t的确认门内，当量测j落入目标t的跟踪门时w_jt＝1，否则w_jt＝0；确认矩阵用来表示有效回波和各目标跟踪门的关系；②把确认矩阵拆成互联矩阵；③根据式计算互联概率其中，Pr()表示括号内所指事件发生的概率；θ_i(k)是第i个联合互联事件，i＝1,2,…,n_k，表示m_k个量测与各个目标相匹配的一种可能；具体表示了此联合事件中θ_i(k)量测j来源于目标t；θ_jt(k)指第j个量测与第t个目标互联的事件；为目标检测指示，代表了联合互联事件θ_i(k)中目标是否被检测到；表示给定测量序列Z^k的条件下事件的概率，是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率；8)按照改进重采样非扩维UPF算法根据L计算所述是k时刻第t个目标的改进重采样非扩维UPF的状态估计；所述改进重采样非扩维UPF算法包括：①采用非扩维UKF产生粒子建议分布；②将需要复制的粒子和被抛弃粒子进行组合，生成新的粒子，使新粒子同时包含被复制粒子和被抛弃粒子的信息，保证了粒子包含足够的信息来表示目标状态在状态空间的分布；9)根据式计算得到k时刻目标状态估计，式中是k时刻第t个目标的改进重采样非扩维UPF的状态估计，是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率，指由多传感器的联合事件关联概率和对k时刻第t个目标的改进重采样非扩维UPF的状态估计，得出的最终多传感器系统中第t个目标的状态估计；10)跳转到步骤5)进行下一时刻的循环。