本文關(guān)鍵詞： 無(wú)線(xiàn)傳感器網(wǎng)絡(luò) RSSI測(cè)距 目標(biāo)定位 非線(xiàn)性濾波 機(jī)動(dòng)目標(biāo)跟蹤　出處：《太原理工大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSN)作為一種新興的交叉學(xué)科,集成了微電子、無(wú)線(xiàn)通訊、數(shù)據(jù)傳輸?shù)榷喾N技術(shù),在各領(lǐng)域均有著較為普遍的運(yùn)用前景。近幾年來(lái),由于WSN具備體積小、成本低、能耗少等特殊性,在公共安全、智能生活、軍事防御等范疇有著突出的地位,成為當(dāng)前研究的熱點(diǎn)。目標(biāo)定位和跟蹤是WSN的一個(gè)較為重要的應(yīng)用,由于目標(biāo)的運(yùn)動(dòng)方式以非線(xiàn)性為主,因此要實(shí)現(xiàn)較好的跟蹤有很大的困難。目前WSN目標(biāo)跟蹤算法存在跟蹤精度不高,算法復(fù)雜度較大,實(shí)時(shí)性差等缺陷,如何實(shí)現(xiàn)準(zhǔn)確、快速、穩(wěn)定的目標(biāo)跟蹤成為廣大研究者努力的方向。首先,以目標(biāo)定位算法為切入點(diǎn),研究了基于RSSI測(cè)距的三種目標(biāo)定位算法,并指出算法性能的評(píng)價(jià)指標(biāo):精度和復(fù)雜度。由靜止目標(biāo)定位和運(yùn)動(dòng)目標(biāo)跟蹤的仿真可知:RSSI-TL算法有較好的精度和實(shí)時(shí)性,且跟蹤過(guò)程比較穩(wěn)定;RSSI-WC算法的精度僅次于RSSI-TL算法;RSSI-MLE算法在目標(biāo)定位和跟蹤過(guò)程中均產(chǎn)生了較大的誤差,精度較差。其次,討論了四種非線(xiàn)性濾波目標(biāo)跟蹤算法,分別對(duì)線(xiàn)性勻速運(yùn)動(dòng)目標(biāo)和非線(xiàn)性變速運(yùn)動(dòng)目標(biāo)進(jìn)行仿真跟蹤,對(duì)比分析MLKF、EKF、UKF和PF算法的跟蹤性能。結(jié)果表明:在線(xiàn)性勻速運(yùn)動(dòng)目標(biāo)跟蹤過(guò)程中,PF的跟蹤精度最高,EKF最差,其中MLKF的跟蹤用時(shí)最短,而PF跟蹤用時(shí)最長(zhǎng)。同時(shí)隨著節(jié)點(diǎn)個(gè)數(shù)的增加,MLKF、PF與UKF的跟蹤精度逐漸提高,而EKF的跟蹤精度呈現(xiàn)出先降低后升高的態(tài)勢(shì);在非線(xiàn)性變速運(yùn)動(dòng)目標(biāo)跟蹤過(guò)程中,MLKF的跟蹤精度和實(shí)時(shí)性均優(yōu)于其他算法,而PF的跟蹤精度和實(shí)時(shí)性最差,并且傳感器節(jié)點(diǎn)的個(gè)數(shù)對(duì)MLKF和PF算法跟蹤精度的影響不明顯。然后,分析了CV、CA、CT三種數(shù)學(xué)目標(biāo)運(yùn)動(dòng)模型,引出了對(duì)IMMPF機(jī)動(dòng)目標(biāo)跟蹤算法的研究,并對(duì)CV-CT目標(biāo)運(yùn)動(dòng)模型進(jìn)行仿真跟蹤,對(duì)比分析了MLKF、PF與IMMPF算法的跟蹤性能。仿真可知:IMMPF算法的跟蹤精度明顯高于PF、MLKF算法,有較好的實(shí)時(shí)性,且隨著采樣粒子個(gè)數(shù)的增加,PF與IMMPF算法的跟蹤精度均有明顯的提高,但跟蹤用時(shí)亦有所增加。接著,針對(duì)IMMPF算法在跟蹤過(guò)程中存在粒子退化現(xiàn)象進(jìn)行了改進(jìn),在線(xiàn)性模塊采用MLKF算法濾波,非線(xiàn)性模塊采用改進(jìn)殘差重抽樣的PF算法濾波,并使用加權(quán)平均輸出目標(biāo)的預(yù)測(cè)值。通過(guò)對(duì)CA-CV和CA-CT-CV模型的機(jī)動(dòng)目標(biāo)仿真跟蹤,對(duì)比分析了MLKF、RSSI-TL、IMMPF和改進(jìn)算法的跟蹤性能,驗(yàn)證了改進(jìn)算法的有效性。結(jié)果表明:改進(jìn)算法的跟蹤精度明顯最高,而MLKF最差,其中RSSI-TL的跟蹤用時(shí)最短,同時(shí)隨著傳感器節(jié)點(diǎn)個(gè)數(shù)的增加,改進(jìn)算法的跟蹤精度基本保持不變。最后,總結(jié)全文,指出在環(huán)境比較惡劣或目標(biāo)運(yùn)動(dòng)較復(fù)雜的情況下,實(shí)現(xiàn)準(zhǔn)確、快速、穩(wěn)定的目標(biāo)跟蹤還需進(jìn)一步研究。
[Abstract]:Wireless Sensor Networks (WSNs), as a new interdisciplinary subject, integrates many technologies, such as microelectronics, wireless communication, data transmission and so on, and has a wide application prospect in various fields. In recent years, because of the small size of WSN, WSNs are widely used in many fields. Because of its low cost and low energy consumption, it has a prominent position in the fields of public security, intelligent life, military defense and so on, and has become a hot spot in current research. Target location and tracking is a relatively important application of WSN. It is very difficult to achieve better tracking because the motion mode of the target is mainly nonlinear. At present, the WSN target tracking algorithm has some defects such as low tracking precision, large complexity, poor real-time performance, etc., how to achieve the accuracy and speed, and so on. Stable target tracking has become the direction of researchers' efforts. Firstly, three target location algorithms based on RSSI ranging are studied by using target location algorithm as the starting point. The accuracy and complexity of the algorithm are pointed out. The simulation of stationary target location and moving target tracking shows that the algorithm has better accuracy and real-time performance. The tracking process is relatively stable and the precision of RSSI-WC algorithm is second only to that of RSSI-TL algorithm. The accuracy of RSSI-MLE algorithm is lower than that of RSSI-MLE algorithm. Secondly, four nonlinear filtering target tracking algorithms are discussed. The tracking performance of linear uniform moving target and nonlinear variable speed moving target is compared and analyzed. The results show that the tracking accuracy of PF is the highest than that of EKF in the process of linear uniform moving target tracking. The tracking time of MLKF is the shortest, and that of PF is the longest. With the increase of node number, the tracking accuracy of MLKF / PF and UKF increases gradually, while the tracking accuracy of EKF decreases first and then increases. In the process of nonlinear moving target tracking with variable speed, the tracking accuracy and real-time performance of MLKF are better than those of other algorithms, but the tracking accuracy and real-time performance of PF are the worst, and the number of sensor nodes has no obvious effect on the tracking accuracy of MLKF and PF algorithms. In this paper, three kinds of mathematical target motion models are analyzed, and the research of IMMPF maneuvering target tracking algorithm is introduced, and the simulation tracking of CV-CT target motion model is carried out. The simulation results show that the tracking accuracy of the IMMPF algorithm is obviously higher than that of the MLKF algorithm, and the tracking accuracy of the PF algorithm and the IMMPF algorithm are improved with the increase of the number of particles sampled. However, the tracking time is also increased. Then, the particle degradation phenomenon in the IMMPF algorithm is improved, the linear module is filtered by the MLKF algorithm, and the nonlinear module is filtered by the improved residual resampling PF algorithm. Using the prediction value of weighted average outputted target, the tracking performance of MLKFF RSSI-TLMMPF and the improved algorithm is analyzed by simulation tracking of maneuvering target in CA-CV and CA-CT-CV models. The effectiveness of the improved algorithm is verified. The results show that the tracking accuracy of the improved algorithm is the highest, and that of MLKF is the worst. The tracking time of RSSI-TL is the shortest, and the number of sensor nodes increases. The tracking accuracy of the improved algorithm remains basically unchanged. Finally, the paper summarizes the full text and points out that further research is needed to achieve accurate, fast and stable target tracking when the environment is relatively bad or the target motion is more complicated.
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP212.9;TN929.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王靖亞;;算法結(jié)構(gòu)對(duì)其性能的影響研究[J];計(jì)算機(jī)教育;2005年10期

2 王靖亞;;算法結(jié)構(gòu)對(duì)其性能的影響研究[J];中國(guó)人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年04期

3 Белый А.А.;к.Ф.-м.н.Бовбелъ Е.И.;к.т.н.Микулович В.И.;張至德;;快速付立葉變換的各種算法及其特性[J];現(xiàn)代雷達(dá);1981年01期

4 何璞,張平;分裂基算法的討論[J];現(xiàn)代電子技術(shù);2003年18期

5 李玉峰;一種利用符號(hào)算法的自適應(yīng)圖象位移估計(jì)算法[J];電子學(xué)報(bào);1991年04期

6 王威;胡斌;董鵬;楊超;;軍械調(diào)運(yùn)方案優(yōu)化算法的設(shè)計(jì)與仿真[J];微計(jì)算機(jī)信息;2006年19期

7 宋楊;張玉清;;結(jié)構(gòu)化比對(duì)算法研究及軟件實(shí)現(xiàn)[J];中國(guó)科學(xué)院研究生院學(xué)報(bào);2009年04期

8 鄢靖豐;;一種改進(jìn)的人工蜂群算法及其應(yīng)用研究[J];許昌學(xué)院學(xué)報(bào);2013年02期

9 程渭呂;通信及信號(hào)處理用的新算法[J];上海航天;1985年01期

10 楊世達(dá);易亞林;單志勇;李慶華;;蜜蜂進(jìn)化型的類(lèi)電磁機(jī)制算法[J];計(jì)算機(jī)工程與應(yīng)用;2013年06期

相關(guān)會(huì)議論文 前9條

1 劉明蘭;王玲t(yī) ;曾春年;鐘紹華;張俊;;雙模自組織Fuzzy-Dahlin算法研究[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

2 胡海清;;序列最小優(yōu)化及其改進(jìn)算法[A];第十屆中國(guó)科協(xié)年會(huì)信息化與社會(huì)發(fā)展學(xué)術(shù)討論會(huì)分會(huì)場(chǎng)論文集[C];2008年

3 王春厚;許都;孫健;;一種降低誤判率的BF快速匹配算法結(jié)構(gòu)[A];2010年全國(guó)通信安全學(xué)術(shù)會(huì)議論文集[C];2010年

4 桑紅燕;潘全科;任立群;;解決單機(jī)準(zhǔn)時(shí)排序問(wèn)題的差異進(jìn)化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 周川;張璐;陳慶偉;;基于神經(jīng)網(wǎng)絡(luò)PID的智能AQM新算法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

6 陳小林;趙建;王延杰;;多模實(shí)時(shí)跟蹤算法研究[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

7 傅薈璇;王宇超;孫楓;;融合Kalman濾波的自適應(yīng)帶寬Mean Shift算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

8 羌磊;肖田元;宋士吉;;多種群模式協(xié)同搜索貝葉斯優(yōu)化算法[A];第25屆中國(guó)控制會(huì)議論文集（中冊(cè)）[C];2006年

9 阮秀凱;張志涌;;一種基于支持向量回歸的盲恢復(fù)新算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

相關(guān)博士學(xué)位論文 前10條

1 陳貴濤;基于CMAES雜交算法的鋼筋混凝土框架結(jié)構(gòu)優(yōu)化設(shè)計(jì)研究[D];華南理工大學(xué);2014年

2 杜新鵬;聯(lián)合稀疏恢復(fù)新型算法及其應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

3 李大威;基于集成學(xué)習(xí)的高分遙感圖像玉米區(qū)高精度提取算法研究[D];中北大學(xué);2017年

4 李向濤;進(jìn)化算法研究及其在化學(xué)信息學(xué)中的應(yīng)用[D];東北師范大學(xué);2015年

5 許偉;基于進(jìn)化算法的復(fù)雜化工過(guò)程智能建模方法及其應(yīng)用[D];華東理工大學(xué);2011年

6 鄭友蓮;面向模糊車(chē)間調(diào)度問(wèn)題的智能算法研究[D];武漢大學(xué);2011年

7 高健;分布式環(huán)境的同順序流水作業(yè)問(wèn)題求解算法研究[D];大連海事大學(xué);2013年

8 畢云龍;自適應(yīng)聲學(xué)回聲抑制算法研究及其VLSI芯片設(shè)計(jì)[D];哈爾濱工業(yè)大學(xué);2010年

9 趙立權(quán);ICA算法及其在陣列信號(hào)處理中的應(yīng)用研究[D];哈爾濱工程大學(xué);2009年

10 鄒德旋;啟發(fā)式算法及其在工程優(yōu)化中的應(yīng)用[D];東北大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 和夢(mèng)思;粒子群進(jìn)化算法的改進(jìn)及應(yīng)用[D];深圳大學(xué);2015年

2 王金明;基于A(yíng)ES和LSB算法的信息隱藏模塊研究與設(shè)計(jì)[D];貴州大學(xué);2015年

3 許崢;自適應(yīng)PID算法在減水劑生產(chǎn)控制中的研究與實(shí)現(xiàn)[D];北京工業(yè)大學(xué);2015年

4 賈寧寧;復(fù)雜網(wǎng)絡(luò)中社團(tuán)發(fā)現(xiàn)算法研究及應(yīng)用[D];石家莊鐵道大學(xué);2015年

5 龐德艷;非光滑方程的算法及其應(yīng)用[D];青島大學(xué);2015年

6 李倩;基于膜計(jì)算的黑洞聚類(lèi)算法研究[D];西華大學(xué);2015年

7 劉建;無(wú)線(xiàn)傳感器網(wǎng)絡(luò)鏈?zhǔn)铰酚伤惴╗D];廣西師范大學(xué);2015年

8 楊葛;基于本體的程序代碼資源算法結(jié)構(gòu)關(guān)聯(lián)研究[D];東華大學(xué);2013年

9 褚夫飛;基于改進(jìn)人工蜂群算法的分散式風(fēng)功率預(yù)測(cè)方法研究[D];東北大學(xué);2014年

10 王耀輝;蜂群算法應(yīng)用研究[D];福州大學(xué);2013年

，

本文編號(hào)：1545629