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

摘要

本发明公开了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。其实现步骤是：（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传感器位置进行重新部署；（2）利用重新部署后的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的传感器观测值集合；（3）将期望传感器观测值集合中观测值随机分成N_C个期望传感器观测值组合；（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；（5）用最优观测值组合所对目标进行真实跟踪探测，并将跟踪结果进行融合。本发明能在非高斯非线性环境下保证目标跟踪精度，降低网络能耗，可用于传感器网络对机动目标的协同跟踪。

主权项

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：（4a）在N_C个期望传感器观测值组合中随机选择N_P个传感器观测值组合，作为N_P个粒子群位置向量集其中Y_i(t)为粒子群中第i个粒子在第t代的位置向量，为粒子i在第t代的位置向量Y_i(t)的第l个分量，代表一个传感器选择向量，代表该位置上对应的传感器观测值被选择，代表该位置上对应的传感器观测值未被选择；（4b）求取N_P个粒子群位置向量集的适应度函数值F：$F=\left\{\begin{array}{cc}{E}_0-D_{\alpha }& D_{\alpha }>D_0\\ E_S-D_0& D_{\alpha }\le D_0\end{array}\right.$其中，E₀为网络能耗门限，D_α为当前选择的粒子所代表的期望观测值组合的Rényi信息增量，D₀为Rényi信息增量门限，E_S为当前选择的粒子所代表的期望观测值组合的Rényi信息增量；（4c）令上述N_P个适应度函数值中最小值所对应的粒子为全局最优粒子，利用全局最优粒子通过如下公式对当前代粒子进行变异，获取下一代新粒子；$y_i^l(t+1)=\left\{\begin{array}{cc}\mathrm{exchange}\left(y_i^l\left(t\right)\right)& \mathrm{rand}<2\times |\frac{1}{1+e^{-v_i^l(t+1)}}-0.5|\\ y_i^l\left(t\right)& \mathrm{rand}\ge 2\times |\frac{1}{1+e^{-v_i^l(t+1)}}-0.5|\end{array}\right.$其中为第t+1代的位置向量Y_i(t+1)的第l个分量，rand表示[0,1]内均匀分布的随机数,exchange(·)表示0，1取反运算，为粒子i在第t代的位置向量Y_i(t)的第l个分量为粒子i在第t+1代的速度向量；（4d）返回步骤（4b），直至到达迭代次数的最大值，获得全局最优传感器观测值组合；5）用最优观测值组合所对应的传感器组合对目标进行真实跟踪探测，并将跟踪结果进行融合，得到k+1时刻目标状态估计的融合值x_k+1/k+1：$\begin{array}{c}{x}_{k+1/k+1}=P_{k+1/k+1}\{P_{k+1/k}^{-1}{x}_{k+1/k}+\underset{j=1}{\overset{N_j}{\Sigma }}(P_{j,k+1/k+1}^{-1}{x}_{j,k+1/k+1}-P_{j,k+1/k}^{-1}{x}_{j,k+1/k})\\ P_{k+1/k+1}={\{P_{k+1/k}^{-1}+\underset{j=1}{\overset{N_j}{\Sigma }}(P_{j,k+1/k+1}^{-1}-P_{j,k+1/k}^{-1})\}}^{-1},\end{array}$其中，P_k+1/k+1为k+1时刻的误差协方差矩阵，x_k+1/k为系统在k时刻对k+1时刻目标状态的预测值，P_k+1/k为系统在k时刻对k+1时刻目标状态的误差协方差矩阵，N_j为最优观测值组合中所包含的传感器个数，x_j,k+1/k+1为第j个传感器的估计值，P_j,k+1/k+1为第j个传感器的误差协方差矩阵，[]^-1为矩阵求逆。