無線傳感器網(wǎng)絡(luò)中定位與跟蹤算法的研究.pdf

1、在過去30年中，因軍事和民用的需求，無線傳感器網(wǎng)絡(luò)(Wireless SensorNetwork，WSN)受到了人們的廣泛關(guān)注，尤其是以監(jiān)視(Surveillance)為目的的WSN最引入注目。在這類網(wǎng)絡(luò)中，目標(biāo)定位與跟蹤是兩個最重要的問題。其中，目標(biāo)定位主要依賴于到達(dá)時間(Time-of-Arrival，TOA)、到達(dá)時間差(fime-Difference－of－Arrival，TDOA)、聲音能量和接收信號功率(Received-S

2、ignal-Strength，RSS)等信息。然而，基于這些信息的定位問題幾乎都是非線性、非凸的，因而無法直接求解。傳統(tǒng)的方法通過一階泰勒展開將此非線性問題近似為線性問題求解，但在大噪聲環(huán)境下其性能難以滿足要求。目標(biāo)跟蹤問題因狀態(tài)和(或)觀測模型的非線性而變得非常復(fù)雜，現(xiàn)有目標(biāo)跟蹤算法主要包括卡爾曼濾波(Kalman Filter，KF)、擴展卡爾曼濾波(Extended KalmanFilter，EKF)、無味卡爾曼濾波(Unscen

3、ted Kalman Filter，UKF)、粒子濾波(Particle Filter，PF)以及高斯混合模型(Gaussian Mixture Model，GMM)算法等。然而，這些算法在低計算復(fù)雜度和跟蹤性能方面難以同時滿足。另外，在所有目標(biāo)跟蹤問題中，機動目標(biāo)跟蹤是最具挑戰(zhàn)性的問題之一：在處理機動目標(biāo)跟蹤的多模型算法中，如果先驗一步轉(zhuǎn)移概率矩陣(Transition ProbabilityMatrix，TPM)與真實TPM不匹配，

4、會導(dǎo)致其跟蹤性能下降。針對這些缺點和不足，本文主要應(yīng)用凸優(yōu)化方法來求解基于TDOA、聲音能量和RSS的定位問題、基于距離和TDOA的目標(biāo)跟蹤問題以及機動目標(biāo)跟蹤中IPM的估計問題。具體來說，本文的主要研究成果如下：
　　 1.在基于TDOA的定位問題中，提出了一種采用蒙特卡洛重要性采樣(Monte Carlo Importance Sampling，MCIS)方法近似求得最大似然(Maximum Likelihood，ML)估計

5、問題全局最優(yōu)解的低復(fù)雜度算法，并且該方法的性能可以非常接近克拉美-羅界(Cramer-Rao Bound，CRB)。
　　 2.將基于聲音能量的定位問題描述為一個近似加權(quán)最小二乘(WeightedLeast Squares，WLS)估計問題，提出了通過半正定松弛方法近似求得該近似WLS最優(yōu)估計的算法，該算法在大噪聲環(huán)境具有較好的性能。
　　 3.針對合作與非合作網(wǎng)絡(luò)節(jié)點自定位的情況，將基于RSS的定位問題描述為一個近似W

6、LS估計問題，提出了求解WLS并使用WLS解作為初始點通過局部搜索求解原始ML估計問題的低復(fù)雜度算法。
　　 4.在基于距離的目標(biāo)跟蹤問題和基于TDOA的跟蹤問題上，分別研究了一種具有較好性能和較低復(fù)雜度的角度參數(shù)化最大后驗(Angle-ParameterizedMaximum a Posteriori，APMAP)估計方法和一種近似最大后驗(Maximuma Posteriori，MAP)估計方法。
　　 5.在跳變馬