基于目标不确定度修正的固定式传感器节点选择方法

技术领域

本发明涉及海平面固定平台上固定传感器节点的选择方法，具体为基于目标不确定度修正的固定式传感器节点选择方法。

背景技术

由于海面环境复杂，在跟踪监视海面目标时出现长时间跨度的丢失，这将会导致目标意图动向不明，无法保证通航环境的稳定。因此，及时发现丢失目标并实现快速捕获至关重要。对再捕获范围进行全覆盖搜索找到所有可能的丢失目标是实现目标快速捕获的前提。本发明主要针对环境中固定平台上已部署的传感器节点，研究如何选择固定式传感器以最大化覆盖再捕获范围，在提高搜索效率的同时降低传感器能耗。

目前对于传感器节点选择的方法研究主要分为以下几类：一是基于距离的方法。文献[1]中提出了互信息(MI)作为效用度量，选择具有最大MI的节点以实现高精度跟踪。文献[2]中的聚类选择过程中也考虑了误差协方差的跟踪。受欧几里德距离的启发，文献[3]使用马氏距离来评估节点的信息效用，然而该方法仅适用于距离测量。二是基于熵的方法。Guo提出了一种基于最大熵模糊聚类的传感器选择方法，以解决大规模传感器网络中的目标跟踪问题[4]。他们在两个层面处理这个问题，传感器层面的跟踪和全球层面的融合。只有可靠节点的子集被选择用于航迹融合。此外，提出了一种改进的传感器选择方法，用于稀疏和密集目标环境中的数据融合。尽管基于熵的方法实现了良好的跟踪精度，但它们涉及大量关于信息熵和互信息熵的计算，并且具有较高的计算复杂性，尤其是在节点数量较多的情况下。此外，基于信息效用函数的节点选择与基于熵的方法类似，如文献[5]中所述。然而，这种方法也具有很高的计算复杂性，在时效性上仍需改善。三是基于最优理论的方法。Liu[6]提出了一种基于静态锚节点位置选择策略的无线传感器网络的节点定位算法，更好地解决了无线传感器网络中定位精度、定位覆盖率和锚节点位置之间的矛盾。为了解决了在无线传感器网络中选择给定数量的传感器节点的问题，这个问题本质上是组合的，从大量节点中选择传感器节点需要不可行的计算成本，Kim[7]提出了一种贪婪的传感器选择方法，该方法试图在每次迭代中选择一个节点，直到选择所需数量的传感器节点，实验证明该方法具有合理的复杂度。

参考文献

[1]Y.Zhang and L.Gao,“Sensor-networked underwater target trackingbased on grubbs criterion and improved particle filter algorithm,”IEEEAccess,vol.7,pp.142894-142906,2019.

[2]X.Han,M.Liu,S.Zhang,and Q.Zhang,“A multi-node cooperative bearing-only target passive tracking algorithm via UWSNs,”IEEE Sensors J.,vol.19,no.22,pp.10609-10623,Nov.2019.

[3]A.A.Soderlund and M.Kumar,“Optimization of multitarget trackingwithin a sensor network via information-guided clustering,”J.Guid.,Control,Dyn.,vol.42,no.2,pp.317-334,Feb.2019.

[4]Guo,J.；Yuan,X.；Han,C.Sensor selection based on maximum entropyfuzzy clustering for target tracking in large-scale sensor networks.IETSignal Proc.2017,11,613-621.

[5]Yang,X.G.；Zhang,Y.C.；Wu,X.K.；Shan,L.H.；Qiu,Y.Z.；Hu,K.L.；Zheng,C.L.Greedy Adaptive Sensor Selection for Energy-Efficient TargetTracking.Electron.Technol.2017,46,35-38.

[6]Wenyan Liu,Xiangyang Luo,Guo Wei,Huaixing Liu,.Node localizationalgorithm for wireless sensor networks based on static anchor node locationselection strategy,Computer Communications,Volume 192,2022,289-298.

[7]Kim,Y.H.Greedy sensor selection based on QR factorization.EURASIPJ.Adv.Signal Process.2021,117(2021).

发明内容

针对相关节点选择算法仅面向目标跟踪，未考虑节点对区域的覆盖率的问题，本发明面向覆盖范围最大化提出了基于目标不确定度修正的固定式传感器节点选择方法。

本发明是采用如下的技术方案实现的：基于目标不确定度修正的固定式传感器节点选择方法，包括以下步骤：

由系统方程递推得到t+1时刻目标所在位置的估计

其次通过计算传感器节点位置(x

最后，选择信息量大于设定阈值的传感器节点进行探测。

通过将本发明方法与欧氏距离法、马氏距离法进行对比，结果表明本发明所提方法选择的节点数量较少，区域覆盖率最高，覆盖冗余度最小，验证了该算法的有效性。

附图说明

图1为问题描述示意图I。

图2为问题描述示意图II。

图3为马氏距离选择法示意图。

图4为节点与目标相对位置示意图。

图5为目标不确定度修正示意图。

图6为算法流程图。

图7为不同算法的节点选择仿真示意图。

图8为不同算法的区域覆盖率及覆盖冗余度示意图。

图9为欧氏距离选择法的目标搜索情况示意图。

图10为马氏距离选择法的目标搜索情况示意图。

图11为修正的马氏距离选择法的目标搜索情况示意图。

具体实施方式

本发明解决的问题是基于丢失目标的再捕获范围，快速搜索到可能的丢失目标。通过计算节点距目标几何距离及加权系数，解决了马氏距离选择法存在方向局限的问题，利用较少的固定式传感器最大化覆盖再捕获区域，在降低传感器能耗的同时减小固定式传感器覆盖冗余度，使固定式传感器最大化覆盖再捕获范围，以快速搜索目标。

问题描述

由于固定式传感器(如岸基雷达等)探测范围广，覆盖面积大，因此，为了在再捕获区域内快速搜索丢失目标，基于固定式传感器的选择对再捕获区域最大化覆盖。如图1、图2所示，通过选择已部署的固定式传感器进行搜索，方框中为选择的固定式传感器，灰色区域为再捕获区域，通过节点选择实现最大化覆盖再捕获区域。然而，多个传感器节点需要协同工作，由于传感器网络能量补给和传感器网络工作时长的限制，较大数目的传感器节点同时处于工作模式不仅不能很好地改善检测性能，反而会带来较多的冗余信息，增加系统复杂性，增大了传感器网络中用于通信的能量损耗，进而缩短了整个网络的工作时间。因此，在覆盖率达到的同时还需减少节点数量，降低传感器覆盖的冗余度。

固定式传感器的节点选择问题主要分为两种情况：一是针对确定位置的目标的搜索定位进行选择；二是根据移动目标的运动状态及航迹进行动态选择跟踪目标。由于再捕获区域已知，目标位置未知，故在确定的区域内，以再捕获区域中心位置为目标当前时刻可能所在位置进行固定式传感器的选择。

节点选择模型

若选择n个探测半径为D的固定式传感器节点，使它们处于工作状态，令每个节点的自身探测范围为S

误差约束条件

假设f(t

y

式中，y

y＝[y

f＝[f(t

e＝[e

分别表示第N个传感器K时刻的真实值，采样值和误差。根据上述公式可以把测量模型简化表示为

y＝f+e (5)

通过控制点对插值点的数据进行插值预测。假设插值点地采样值为θ，坐标为δ。那么插值点地测量模型可以公式化为

θ＝{f(t

式中，θ表示坐标δ的传感器节点K时刻测量数据的真实值，f(t

式中

根据均方误差公式

再联立插值模型，可得误差公式为

展开可表示为

式中，J(w)表示误差精度，接下来需要对该公式进行简化。由于y＝f+e，令

E(F(y)F(y)

E(F(y)θ)＝E[F(f+e)θ]＝E[F(f)×f(t

式中，

基于加权距离法的固定式传感器节点选择

Mahalanobis距离是根据样本的全局信息计算出来的。它的原理如图3所示，椭圆表示当前时刻目标位置的不确定度，表示t+1时刻待选的传感器节点。当节点距离目标的几何距离相等，但与误差分布的长短轴相对方向不同时，得到的滤波结果明显不同。当传感器节点处于误差分布的长轴方向时得到的修正效果比较好。

马氏距离代表数据的协方差距离，从几何上描述了均值位置与传感器节点间的位置矢量和目标协方差矩阵特征向量之间的相关性，如式(5)所示：

式中，p表示传感器位置坐标矢量；μ,∑分别为目标位置均值和协方差矩阵。

在目标的先验位置协方差区域内，存在两个传感器与目标均值位置间的欧式距离相同，即d

M

det((P

其中M

因此，从面积法的角度来改进Mahalanobis距离节点选择算法，首先根据面积和公式，以选择三个传感器节点为例，如图4。

当目标处于三角形ABC内时，ΔABC的面积等于ΔAPC、ΔBPC及ΔABP面积之和，即：

ε＝S

当目标不处于三角形内时，选取一定节点间隔内的传感器也可取得较好的定位效果，即可以通过减小ε来保证一定的定位精度。因此，k时刻节点选择信息效用精度模型为：

式中：M

其次，基于贝叶斯滤波，已知t时刻的目标状态分布P(X

以高斯分布拟合得到的参数集作为参照，以

U(s)＝-S

为简化计算，用图5(b)的阴影部分面积代替图5(a)中的阴影部分面积。已知节点坐标(x

求解A点坐标为

解得

A点距坐标原点的距离为

则图5(b)中阴影部分面积为两扇形面积相减，有

所以，图5(a)中阴影部分面积表示如下：

其中，2Δθ

为与距离R

此时加权距离法的信息量表示为

仿真实验及分析

为了评价不同的节点选择算法对目标定位精度的影响，设计以下仿真场景进行验证。仿真场景如图所示，在一个600m×700m的区域中分布着20个岸基雷达，设置区域内雷达传感器的部署位置，如图中星号所示，圆形表示再捕获区域的中心位置(即需要搜索的“目标”位置)，图7(a)为传感器及区域中心位置部署二维表示及对应距离。部署20个雷达传感器对算法模拟实验，实验平台为Microsoft Visual Studio 2019。

为了凸显修正的马氏距离选择法在面向覆盖范围最大化的节点选择问题上的优势，本发明将欧氏距离法、马氏距离法与本发明所提修正的马氏距离选择法进行了仿真实验对比。为了验证所提算法的节点选择效能，在相同的传感器部署场景中进行实验。再捕获区域中心位置设定为x＝300,y＝300。

为了验证节点选择算法的有效性，通过对欧氏距离法、马氏距离法及本发明所提算法三种方法的节点选择结果进行对比分析，如图7所示。

通过图7可以看出，欧氏距离仅根据几何距离选择了直线距离最短的雷达节点，若再捕获区域较大，则对区域覆盖率影响较大；马氏距离选择节点数量较多；而本发明方法结合了节点所处位置合理选择。

由图8可以看出，在区域覆盖率方面，本发明方法具有明显优势，且选择的固定式传感器节点的覆盖冗余度较低，减少资源浪费。因此，本发明所提算法不仅择取了距离最短的雷达节点，且选择的节点所处位置能够有效降低节点覆盖冗余度，在最大化覆盖再捕获范围的同时避免资源浪费。

为了验证节点选择算法的实效性，利用Matlab仿真不同算法在区域内搜索到的目标数量，仿真传感器为阵列雷达，图中彩色圆圈表示搜索到的目标，将选择的固定式传感器或组合搜索到的所有目标表示在一个阵面中，即显示一个阵面90°的范围。目标搜索情况如图所示。

由图9～图11可以看出，本发明所提算法搜索到的目标数量最多。为了比较不同节点选择算法的目标检测性能，根据最小均方误差法得到最优的节点选择方案，并计算这种节点选择方案对应的搜索过程中的检测误差精度J(w)。

不同节点选择算法得到的J(w)如下表所示。

表1不同算法的测量误差

从表1可以看出，加权距离法的误差精度较其他两种节点选择算法来说最小，由此验证了本发明所提算法在最大化覆盖范围的同时，克服了传感器搜索到的目标信息不准确的问题，凸显算法优势。

本发明提出一种改进的固定式传感器节点选择方法，首先通过对目标不确定度的修正，解决了马氏距离选择法存在方向局限的问题；其次计算节点距目标的距离及加权系数等参数，通过仿真实验对比欧氏距离法、马氏距离法、修正的马氏距离选择法三种方法的节点选择效能，可以得出本发明所提算法选择的节点数量较少，区域覆盖率最高，覆盖冗余度最小，且在区域内搜索到的目标数量最多，验证了本发明所提算法的有效性，使固定式传感器覆盖范围最大化的同时减少信息冗余，延长传感器工作时间，以快速搜索目标。