無線傳感器網絡中基於主從移動代理的目標跟蹤方法

2023-05-25 12:08:21

專利名稱：無線傳感器網絡中基於主從移動代理的目標跟蹤方法
技術領域：
本發明涉及一種特別用於無線傳感器網絡中的基於主從移動代理的目標跟蹤實現方案，屬於通信技術領域。

背景技術：
基於無線傳感器網絡WSN(Wireless Sensor Networks)的目標跟蹤應用由於涉及到協同信息處理、信息驅動路由、數據關聯分析等相關方面，一直作為WSN的難點問題而倍受關注，由於傳感器節點具有有限能量存儲、計算能力和探測能力，目標跟蹤應用必須利用傳感器網絡的空間分布性，選擇合適的節點參與運算以估算出目標位置。
現有的WSN中目標跟蹤的方法是利用WSN中節點之間的相互協同，以分布式協同組的方式，完成對目標的跟蹤，並且隨著目標的移動，協同組需要動態加入或刪除相關節點。這種模式存在如下缺點協同組的形成和維護比較複雜，需要節點之間多次信令交互才能實現，目標跟蹤的節能性和實時性很難得到保證；參與感知任務的節點較多時，傳輸數據量很大，嚴重降低網絡性能；傳輸一些信息貢獻量很低的節點的測量數據，不能對目標跟蹤算法產生貢獻，反而浪費了網絡資源。
基於移動代理MA(Mobile Agent)的計算模式是通過MA跟隨目標移動，在不同節點上的遷移來完成對目標的跟蹤，相對更靈活，控制簡單。MA在遷移過程中，對目標周圍節點感知數據進行處理並計算出目標的精確位置，較之傳統的WSN目標跟蹤方法，基於MA的目標跟蹤方法把目標跟蹤問題轉化為MA的路由問題，簡化了協議設計、減少信令開銷和增強了目標跟蹤的容錯性和魯棒性，可以明顯提高目標跟蹤的性能。
但現有的WSN中基於MA的目標跟蹤方法在以下幾個方面存在不足 1.WSN中討論使用MA進行目標定位使用簡單的三角定位算法，而且MA的遷移策略過於簡單。如何考慮WSN中空間相關性特點，使用基於信號和信息處理的方法進行基於MA的目標跟蹤？以上方法並沒有涉及。
2.基於引導節點跟蹤策略的IDSQ(Information-Driven Sensor Querying)算法可以歸結為基於MA的目標跟蹤方法，利用節點的空間分布性以及測量數據的高度冗餘性，MA動態遷移到協同運算的節點，以計算目標位置的估計值。但考慮到WSN中節點探測精度的有限性和節點分布的隨機性，IDSQ在目標跟蹤結果的精度和魯棒性方面還有待提高。
因此，如何充分考慮WSN自身特點，利用MA智能遷移性，以能量有效的方法提高目標跟蹤的精度和容錯性，是一個研究的空白點。


發明內容
技術問題本發明的目的是提供一種用於無線傳感器網絡WSN中的基於主從移動代理的目標跟蹤實現方法，通過MA的智能遷移實現目標跟蹤，同時以能量有效的方式提高目標跟蹤的精度和魯棒性。
技術方案使用基於MA的運算模式簡化複雜的分布式目標跟蹤算法，把WSN中目標跟蹤問題歸結為MA的路由問題。採用主從(master/slaver)移動代理結合模式，提出主移動代理MMA(Master Mobile Agent)和從移動代理SMA(Slave Mobile Agent)的不同的路由遷移模式。
主移動代理MMA運行信息驅動的基於主移動代理的目標跟蹤算法，MMA攜帶信任度，自適應網絡連接和目標運動模式的隨機變化，動態決定下一跳最大信息貢獻量的遷移節點，使得MMA通過在節點之間的遷移，維持對目標的跟蹤，多個MMA完成對多個目標的跟蹤任務。
同時為了以能量有效方式提高跟蹤的精度和魯棒性。MMA運行基於事件區域的從移動代理路由算法，通過對事件區域的計算，減少移動代理對冗餘信息的搜集，在保證跟蹤失真度要求的情況下，儘量減少能量和時間開銷，以能量有效的方式對目標位置進行估計。
無線傳感器網絡中基於主從移動代理的目標跟蹤方法具體為 1)當目標進入無線傳感器網絡監控範圍，駐留在邊界節點的主移動代理根據該節點的測量值，形成目標的初始信任度， 2)主移動代理根據應用所要求誤差門限和數據相關性模型，計算出事件區域的大小，事件區域分布的半徑計算如下 變量Z反應了在空間相關性情況下，相鄰節點數據的差異，其均方差為σz，σz可由節點歷史數據統計求得。事件源S所在位置(0，0)感知數據為S(0，0)，事件源S觸發的事件區域邊界節點n(r，θ)的感知數據S(r，θ)滿足|S(r，θ)-S(0，0)|≤μ，其中μ是誤差門限，反應了不同位置的感知數據和事件源之間的差異，r是事件區域的半徑。參數c影響數據相關性的強弱，λ反映了數據相關性隨距離變化的快慢。參數c和λ取決於監控區域數據場空間相關特性。
3)事件區域中從移動代理的路由等價於尋找事件區域中節點的一個循環排列，主移動代理計算出事件區域中從移動代理的能量有效的遷移路由， 4)從移動代理沿著指定的路由遷移並搜集事件區域中各節點目標測量的似然函數，從移動代理返回後，主移動代理匯總所有節點測量的似然函數， 5)使用非參數信任度表達條件下的序列貝葉斯濾波，對似然函數和信任度在二維空間以網格為單位進行離散化，並計算該時刻每個網格的信任度， 6)使用最小均方誤差估計來估計該時刻的目標位置， 7)根據目標的運動模式和測量節點的位置，估測周圍節點的信息貢獻量， 其中，k表示節點的序號，G(t+1)表示在t+1時刻根據目標運動模式確定目標可能分布的區域，likelihood(zk(t+1))為測量為Zk(t+1)的傳感器節點的似然函數。L表示兩個用網格表示的區域進行相交運算，也就是保留相交的部分，相交後的面積越小，表示信息貢獻量越大，這裡是成反比例關係，γ是調整係數。arg min表示選擇設當的節點，使得相交運算取最小值，這樣就可以在不獲取節點測量數據的情況下，估計出節點的信息貢獻量相對大小，從而主移動代理攜帶信任度遷移到信息貢獻量最大的節點， 8)主移動代理攜帶信任度遷移到信息貢獻量最大的節點，如果目標離開無線傳感器網絡檢測範圍，則跟蹤過程結束，否則返回2)。
計算每個網格的信任度，具體方法如下 1)網格的面積大小都為A，物體的運動模式是以當前位置為中心，均勻分布的圓盤，圓盤面積為C＝π(vmax)2，vmax是目標運動的最大速率，每個網格區域gi(t)內的p(x(t)|z(t))為常數pi(t)，p(x(t)|z(t))為t時刻的信任度； 2)G(t+1)表示在t+1時刻根據目標運動模式p(x(t+1)|x(t))來確定目標可能分布的區域，G(t)表示t時刻信任度分布的區域。N(t)表示G(t)被分成網格的數目，N(t+1)表示G(t+1)被分成網格的數目。根據目標運動模式p(x(t+1)|x(t))的分布情況，確定t+1時刻可以移動到某一網格gb(t+1)(b∈{1，....N(t+1)})的t時刻的區域Ga(t)，Ga(t)定義為{gL(t)，...，gM(t)}，其中1≤L≤M≤N(t)；t+1時刻如果目標移動到gb(t+1)網格區域，t時刻目標一定出現在Ga(t)區域 3)在gb(t+1)範圍內求∫p(x(t+1)|x(t))p(x(t)|z(t))dx(t)的值，也就是在Ga(t)範圍內求積分 L、M為Ga(t)中網格序號的最小值和最大值； 4)在每個網格區域gi(t)內的p(x(t)|z(t))為常數pi(t)，並且根據每個節點的運動模式，簡化為 5)gb(t+1)區域內的信任度表達為 其中lb(t+1)為gb(t+1)區域中的似然函數值； 6)G(t+1)中的gi(t+1)(0＜i≤N(t+1))網格重複運行上面a)至d)的運算過程； 得到每個網格的p(x(t+1)|z(t+1))值，G(t+1)可表示為 集合當中的每個元素的M(j)和L(j)都和lj(t+1)的序號j有關，並且集合中的元素不為0。
有益效果本發明使用基於MA的運算模式簡化複雜的分布式目標跟蹤算法，充分考慮WSN自身特點，利用MA智能遷移性，把WSN中目標跟蹤問題歸結為MA的路由問題。採用主從(master/slaver)移動代理結合模式，提出主移動代理MMA(Master Mobile Agent)和從移動代理SMA(Slave Mobile Agent)的不同的路由遷移模式，以能量有效的方式提高目標跟蹤的精度和魯棒性。本發明可以應用於無線傳感器網絡中的定位和跟蹤，在戰場偵察、生態環境監測、現場監控、火情探測以及交通狀況監測等方面具有廣泛的市場應用前景。



圖1信息驅動的基於主移動代理的目標跟蹤算法流程圖， 圖2基於事件區域的從移動代理路由算法流程圖， 圖3無線傳感器網絡中基於主從移動代理的目標跟蹤方法流程圖。

具體實施例方式 主移動代理MMA運行信息驅動的基於主移動代理的目標跟蹤算法，MMA攜帶信任度，自適應網絡連接和目標運動模式的隨機變化，動態決定下一跳最大信息貢獻量的遷移節點，使得MMA通過在節點之間的遷移，維持對目標的跟蹤，多個MMA完成對多個目標的跟蹤任務。
MMA運行基於事件區域的從移動代理路由算法，對事件區域的範圍進行計算，派遣從移動代理SMA只搜集事件區域節點的似然函數值，在保證跟蹤失真度要求的情況下，儘量減少能量和時間開銷。同時，通過事件區域中各個節點似然函數的融合，以增加冗餘度為代價使信任度分布區域更小，計算出的MMSE估計值更加準確，目標跟蹤算法更有魯棒性，因而，以能量有效方式提高了跟蹤的精度和魯棒性。
一、信息驅動的基於主移動代理的目標跟蹤算法 把基於主移動代理的目標跟蹤問題轉化為信息驅動的MA路由問題IDMAR(Information-Directed MMA Routing)，按照信息驅動的MA路由算法，MA根據節點的感知數據，利用序列貝葉斯公式計算出關於目標位置的後向信任度(posterior belief)，並根據最小均方誤差估計MMSE(Minimum Mean-SquaredError)計算出目標位置。然後MA攜帶信任度選擇優化的節點繼續遷移，更新信任度，保持對目標的跟蹤。
1.基於網格的主移動代理目標跟蹤算法 如果t時刻以及t時刻之前的所有參與目標位置估計的歷史記錄為z(t)，z(t)＝{z(0)，z(1)，...，z(t)}，x(t)是目標的真實狀態，

是根據記錄估計出的狀態，目標跟蹤算法的目的是t時刻從傳感器節點z(t)中得到跟蹤目標x(t)的最佳估計

t時刻估計值和真實值之間的平均誤差可以表示為d(.，.)是損失函數，如果損失函數表達為估計值可以使用最小均方誤差估計MMSE(Minimum Mean-Squared Error)表示 p(x(t)|z(t))為後驗概率密度，在本文中把當前時刻的p(x(t)|z(t))稱為信任度(belief)，在滿足一定條件的獨立假設前提下，可以用序列貝葉斯濾波SBF(Sequential Bayesian Filter)來更新信任度 p(x(t+1)|z(t+1))∝p(z(t+1)|x(t+1))∫p(x(t+1)|x(t))p(x(t)|z(t))dx(t)(2) 序列貝葉斯濾波適合一般的離散時間動態系統，特別適合在傳感模式和目標運動是非高斯和非線性情況下、多個傳感器節點應用環境中的目標跟蹤。
在實際應用過程中，觀測模型是非線性的，似然函數和信任度都是非高斯分布的，用閉合表達式來表達信任度和似然函數是非常困難的，我們提出基於網格的算法來實現非參數信任度表達條件下的序列貝葉斯濾波，並且根據算法的結論，結合目標位置預測技術，提出了節點信息量的估計算法。
在介紹基於網格的算法之前，首先介紹幾個基本概念 1.G(t)和G(t+1)分別表示t時刻和t+1時刻信任度分布的區域，也就是按照一定的概率分布，分別在t和t+1時刻目標可能出現的區域。G(t+1)表示在t+1時刻根據目標運動模式p(x(t+1)|x(t))來確定目標可能分布的區域。G(t+1)和G(t+1)是有區別的，前者是沒有考慮t+1時刻引導節點測量值的情況下，對目標位置的估計；後者是t+1時刻引導節點根據(2)式計算的目標信任度的分布。
2.G(t)和G(t+1)區域被分割成一系列的網格，網格的面積大小都為A，G(t)為

，G(t+1)為

，集合的每個元素表示一個網格區域，N(t)表示G(t)被分成網格的數目，N(t+1)表示G(t+1)被分成網格的數目。
3.只要傳感區域中每個網格覆蓋面積劃分得足夠細，G(t)每個網格gi(t)的信任度p(x(t)|z(t))都近似為常數pi(t)，pi(t)為p(x(t)|z(t))在gi(t)中心點的取值。
4.似然函數的性狀和傳感器類型以及相對於目標的位置有關，如果WSN採用聲波強度傳感器，似然函數是一個以s(t+1)為中心的環l(t+1)，環的寬度與環境噪聲以及目標聲波幅度的分布有關。G(t+1)每個網格gi(t+1)內，似然函數p(z(t+1)|x(t+1))都近似為常數li(t+1)，li(t+1)為似然函數在gi(t+1)中心點的取值。
5.假設物體的運動模式使得p(x(t+1)|x(t))在t時刻是以vmax為半徑，以x(t)為中心的圓盤上均勻分布，圓盤的面積設為C＝π(vmax)2。
具體算法介紹如下 a)根據目標p(x(t+1)|x(t))的分布情況，確定t+1時刻可以移動到某一網格gb(t+1)(b∈{1，....N(t+1)})的t時刻的區域Ga(t)，Ga(t)定義為{gL(t)，...，gM(t)}，其中1≤L≤M≤N(t)。t+1時刻如果目標移動到gb(t+1)網格區域，t時刻目標一定出現在Ga(t)區域 b)在(2)式中gb(t+1)範圍內求∫p(x(t+1)|x(t))p(x(t)|z(t))dx(t)的值，也就是在Ga(t)範圍內求積分 L、M為Ga(t)中網格序號的最小值和最大值。
3.在每個網格區域gi(t)內的p(x(t)|z(t))為常數pi(t)，並且根據每個節點的運動模式，(3)式可以簡化為 4.gb(t+1)區域內的信任度表達為 其中lb(t+1)為gb(t+1)區域中的似然函數值。
5.G(t+1)中的gi(t+1)(0＜i≤N(t+1))網格重複運行上面1-4步的運算過程。
根據(5-7)式得到每個網格的p(x(t+1)|z(t+1))值，G(t+1)可表示為 集合當中的每個元素的M(j)和L(j)都和lj(t+1)的序號j有關，並且集合中的元素不為0。
該算法的計算複雜度為O(n1n2)，其中n1、n2分別為G(t)和G(t+1)包含的網格數，從(6)式可以看出，t+1時刻似然函數為0的網格不參與運算，實際上的計算複雜度為O(n1m)，m為G(t+1)和l(t+1)的相交區域包含的網格數，顯然滿足O(n1m)＜O(n1n2)。而且節點只需要傳輸信任度分布區域網格的信任度數值，如通過MA的遷移，s(t)需要把G(t)中所有網格的pi(t)值傳輸給s(t+1)。可以看出，可以根據應用的具體情況(如跟蹤目標的大小)和節點的計算能力，通過選擇合適的網格大小，調節算法的計算複雜度和傳輸量，以滿足資源受限的無線傳感器網絡的應用需求。
2.主移動代理遷移節點的優化選擇 假設已知環境噪聲的方差σ2，a是聲源幅度的均方根，似然函數是目標和進行測量節點之間距離r的函數。可以由r來推測出似然函數p(z|x)的大致形狀。又因為似然函數以測量節點為中心，所以只要確定出節點和目標的位置，就可以在二維空間中估計出該節點針對目標的似然函數形狀。目標的運動模式是已知的，根據G(t)，可以計算出G(t+1)，估計出目標的大致位置，為了提高目標位置估計的準確度，可以採用目標運動預測算法，一旦預測出t+1時刻目標的位置，就可以得出t+1時刻的相關節點的似然函數形狀，所以知道目標的G(t)、運動模式和測量節點的位置，可以估計出該節點似然函數p(z(t+1)|x(t+1))的位置和形狀。
不同的節點被選為引導節點，計算得到G(t+1)的情況是不一樣的，根據(6)式，G(t+1)集合中的每個元素

是由兩部分相乘得到，後一部分是G(t+1)區域中gj(t+1)的p(x(t+1)|z(t))，對於每個節點都是一樣的，差別在於每個節點似然函數的分布，gj(t+1)所處的區域p(x(t+1)|z(t))和lj(t+1)都不為0時，該區域才能成為G(t+1)集合中的元素，得到G(t+1)分布的區域可以看作是G(t+1)和節點似然函數p(z(t+1)|x(t+1))分布區域相交的區域。
根據IDMAR算法，在不預知節點測量結果的情況下，主移動代理MMA選擇最有信息貢獻量的節點，作為MA下一個遷移節點，以避免不必要的傳輸開銷。節點選擇表達如下 上式說明在當前z(t)條件下，選擇測量為Zk(t+1)的傳感器節點，使得對X(t+1)的計算能提供最大信息量。從(7)可以看出使G(t+1)分布最小的節點將被選為引導節點，kIDMAR是選中的最有信息貢獻量節點的序號。
根據推論5-2，可得 這裡L表示兩個用網格表示的區域進行相交運算，也就是保留相交的部分，相交後的面積越小，表示信息貢獻量越大，這裡是成反比例關係，γ是調整係數。(8)式是節點信息貢獻量的估計運算。可以看出已知目標的G(t)、運動模式和測量節點的位置，就可以估測出該節點的信息貢獻量1(sk)的相對大小。所以得到下面公式 這樣就可以用基於網格的方法，在不獲取節點測量數據的情況下，估計出節點的信息貢獻量相對大小，從而主移動代理MMA攜帶信任度遷移到信息貢獻量最大的節點。
二、基於事件區域的從移動代理路由算法 1.基於空間相關性的事件區域的計算 WSN中主移動代理MMA派遣出從移動代理SMA，通過SMA的遷移，搜集相關節點的觀測數據，對監控區域內發生的事件源S(如目標跟蹤、特定區域的物理量測量)進行估計，並使得估計結果

的失真度(distortion)滿足應用要求。
WSN監控區域內的事件源s會觸發分布在事件區域EA(Event Area)的節點ni(i＝1，...，N)獲得感知數據Si(i＝1，...，N)，由於WSN節點密集分布在監控區域，Si之間以及Si和S之間存在不同程度的空間相關性，因此如何確定事件區域EA的大小，以及如何利用空間相關性，在滿足跟蹤失真度要求的前提下，減少SMA需要遷移的節點數量，在資源受限的WSN中有非常重要的意義。
統計學利用變差函數(variogram)對數據相關性進行分析。假設事件源S所在位置為(0，0)，WSN中節點n(x，y)、

分別位於坐標(x，y)、(xr，yr)，其感知數據是S(x，y)、

則變差函數定義為 其中(x-xr)2+(y-yr)2＝r2。假設S(x，y)為各向同性統計過程，協方差C(r)和變差函數γ(r)有如下關係 其中μ＝E[S(x，y)]。由上式可見，變差函數越小，協方差越大，數據之間的相關性越強。
由假設可知，γ(r)為同向隨機變量，在極坐標中定義節點n(r，θ)的感知數據為S(r，θ)，WSN監控區域事件源s觸發的事件區域EA內，節點n(0，0)的感知數據S(0，0)和周圍節點感知數據有如下相關性 S(0，0)＝I(U＝T)Y+I(U＝H)∫θ∫r(S(r，θ)+Z)δ(R＝r)drδ(Θ＝θ|R＝r)rdθ(12) 其中 1)U＝H表示S(0，0)由相鄰節點n(r，θ)的感知數據S(r，θ)值獲得，其概率為1-β；U＝T表示S(0，0)由隨機變量Y獲得，其概率為β。
2)隨機變量Y和Z的分布密度函數分別為fY(y)和fZ(z)，且它們都與S(r，θ)相互獨立。變量Y反應了相鄰節點數據存在無關性特徵的情況；變量Z反應了在空間相關性情況下，相鄰節點數據的差異，實例驗證了Z～N(0，σZ2)，即其中均方差σz可由節點歷史數據統計求得。
假設事件源S所在位置(0，0)有一虛擬節點n(0，0)，其感知數據為S(0，0)，事件源S觸發的事件區域邊界節點n(r，θ)的感知數據S(r，θ)滿足|S(r，θ)-S(0，0)|≤μ，其中μ是誤差門限，反應了不同位置的感知數據和事件源之間的差異，r是事件區域EA的半徑。於是由(12)可得 其中Ψ(σz，μ)是σz，μ的函數， 通常γ(r)有多種估計模型，選取其中參數c影響數據相關性的強弱，λ反映了數據相關性隨距離變化的快慢。參數c和λ取決於監控區域數據場空間相關特性，可由歷史數據統計計算求得。於是 在各向同性統計過程中，根據節點歷史數據統計規律，(14)式可以計算出不同誤差門限μ條件下的事件區域EA的半徑r，確定了事件區域EA的分布範圍，從而主移動代理MMA派遣出從移動代理SMA只需搜集EA中節點的觀測數據，減少了SMA處理數據的能量開銷和執行時間。
2.基於事件區域的從移動代理路由算法 SMA的路由等價於尋找事件區域中節點z{n1，...，nM}的一個循環排列，M為 節點數量，使得SMA循環遍歷上述節點後，所有邊長對應權值和最小，這是一個經典的TSP(Traveling Salesman Problem)問題，邊長對應為SMA的每一次遷移，權值定義為每一次MA遷移所消耗的能量，算法的目的是找到能量消耗最小的SMA遷移路徑。由於TSP算法具有的NP-hard性質，我們以插入算法(insertionalgorithm)為基礎，採用啟發式算法的思想，能夠在多項式計算量內，計算出能量有效的SMA遷移路由。
t(eij)從節點ni到節點nj的單位數據傳輸能量 wMA從移動代理MA的大小 GSMA遷移節點的序列 KSMA遷移路徑的集合 n從移動代理MA進入事件區域EA的接入節點，即 G(s，i，...，j，s)ni，nj∈z， dij＝wMAt(eij)節點ni到節點nj的能量消耗 g(l)序號為y的節點插入l邊對應的兩頂點之間時，SMA遷移路徑總的能量增加量 dss＝0； G←(s，s)，K←{nsns}，sum_w＝0； for u＝1to M do d(u)＝dus end； for k＝1to M do 選擇y，使得d(y)＝max{d(u)u＝1，...，M}； for l∈K do g(l)＝in_weight(l，K，y)end； 選擇邊f∈K，使得g(f)＝min{g(l)l∈K}； 設f＝euv；y插入到G中u，v之間； K←(K\{f})∪{nuny，nynv}，sum_w＝sum_w+g(f)； re_assign(f，K，y)；d(y)←0； for x∈{1，...，M}\G do d(x)＝min{d(x)，dyx}； end 算法結束時，K中路徑的順序代表SMA遷移的路由。in_weight(l，K，y)子模塊被本模塊調用，用於計算序號為y的節點插入邊長l對應的兩節點之間時，SMA遷移路徑總的能量開銷增加量。re_assign(f，K，y)子模塊被本模塊調用，用於計算y節點插入到邊長f對應的兩節點之間時，重新調整遷移路徑上f後續邊長的能量權值。基於事件區域的從移動代理路由算法計算複雜度為o(M3)，因為滿足M＜L＜N，所以可以在允許的計算時間和複雜度條件下，尋找到滿足實際要求的SMA路由，使得SMA遍歷代理節點的能量消耗得到優化。
主移動代理MMA需要對目標位置進行估計時，根據WSN的空間相關性和目標跟蹤應用的精確性要求，確定事件區域EA範圍，選擇合適的代理節點集合，計算出能量有效的遷移路由，讓SMA遷移並搜集代理節點的觀測數據，在能量有效的情況下，滿足應用失真度的要求。
根據基於事件區域的從移動代理路由算法算法，主移動代理MMA擁有p(x(t)|z(t))，派遣SMA通過路徑(n1，...，nM}去搜集事件區域中各個節點t+1時刻目標測量的似然函數，SMA返回後，MMA匯總所有節點測量的似然函數，利用(6)式進行p(x(t)|z(t))更新。和單個節點的信息貢獻量相比，SMA在事件區域中的通過各個節點似然函數的融合，以增加冗餘度為代價使t+1時刻的p(x(t+1)|z(t+1))分布區域更小，計算出的MMSE估計值更加準確，目標跟蹤算法更有魯棒性。
具體實施方式
如下 1)t時刻目標進入WSN監控範圍，駐留在WSN邊界節點的主移動代理MMA形成初始信任度。
2)MMA根據應用所要求誤差門限，計算出事件區域的大小 3)在事件區域中，我們以插入算法(insertion algorithm)為基礎，採用啟發式算法的思想，能夠在多項式計算量內，計算出能量有效的SMA遷移路由{n1，...，nM}。
4)SMA沿著指定的路由{n1，...，nM}遷移並搜集事件區域中各節點目標測量的似然函數，SMA返回後，MMA匯總所有節點測量的似然函數。
5)使用基於網格的算法來實現非參數信任度表達條件下的序列貝葉斯濾波，對似然函數和信任度進行離散化，得到T時刻的每個網格的p(x(t+1)|z(t+1)) 6)使用最小均方誤差估計MMSE 來估計t+1時刻的目標位置 7)根據目標的運動模式和測量節點的位置，按照下式 估測周圍節點的信息貢獻量。
8)主移動代理MMA攜帶信任度遷移到信息貢獻量最大的節點，如果目標離開WSN檢測範圍，則算法結束，否則返回第2步。
權利要求
1.一種無線傳感器網絡中基於主從移動代理的目標跟蹤方法，其特徵在於該方法具體為
1.)當目標進入無線傳感器網絡監控範圍，駐留在邊界節點的主移動代理根據該節點的測量值，形成目標的初始信任度，
2.)主移動代理根據應用所要求誤差門限和數據相關性模型，計算出事件區域的大小，事件區域分布的半徑計算如下
變量Z反應了在空間相關性情況下，相鄰節點數據的差異，其均方差為σz，σz可由節點歷史數據統計求得。事件源S所在位置(0，0)感知數據為S(0，0)，事件源S觸發的事件區域邊界節點n(r，θ)的感知數據S(r，θ)滿足|S(r，θ)-S(0，0)|≤μ，其中μ是誤差門限，反應了不同位置的感知數據和事件源之間的差異，r是事件區域的半徑。參數c影響數據相關性的強弱，λ反映了數據相關性隨距離變化的快慢。參數c和λ取決於監控區域數據場空間相關特性，
3)事件區域中從移動代理的路由等價於尋找事件區域中節點的一個循環排列，主移動代理計算出事件區域中從移動代理的能量有效的遷移路由，
4)從移動代理沿著指定的路由遷移並搜集事件區域中各節點目標測量的似然函數，從移動代理返回後，主移動代理匯總所有節點測量的似然函數，
5)使用非參數信任度表達條件下的序列貝葉斯濾波，對似然函數和信任度在二維空間以網格為單位進行離散化，並計算該時刻每個網格的信任度，
6)使用最小均方誤差估計來估計該時刻的目標位置，
7)根據目標的運動模式和測量節點的位置，估測周圍節點的信息貢獻量，
其中，k表示節點的序號，G(t+1)表示在t+1時刻根據目標運動模式確定目標可能分布的區域，likelihood(zk(t+1))為測量為Zk(t+1)的傳感器節點的似然函數。L表示兩個用網格表示的區域進行相交運算，也就是保留相交的部分，相交後的面積越小，表示信息貢獻量越大，這裡是成反比例關係，γ是調整係數。argmin表示選擇設當的節點，使得相交運算取最小值，這樣就可以在不獲取節點測量數據的情況下，估計出節點的信息貢獻量相對大小，從而主移動代理攜帶信任度遷移
到信息貢獻量最大的節點，
8)主移動代理攜帶信任度遷移到信息貢獻量最大的節點，如果目標離開無線傳感器網絡檢測範圍，則跟蹤過程結束，否則返回2)。
2.根據權利要求1所述的無線傳感器網絡中基於主從移動代理的目標跟蹤方法，其特徵在於計算每個網格的信任度，具體方法如下
9)網格的面積大小都為A，物體的運動模式是以當前位置為中心，均勻分布的圓盤，圓盤面積為C＝π(vmax)2，vmax是目標運動的最大速率，每個網格區域gi(t)內的p(x(t)|z(t))為常數pi(t)，p(x(t)|z(t))為t時刻的信任度；
10)G(t+1)表示在t+1時刻根據目標運動模式p(x(t+1)|x(t))來確定目標可能分布的區域，G(t)表示t時刻信任度分布的區域。N(t)表示G(t)被分成網格的數目，N(t+1)表示G(t+1)被分成網格的數目。根據目標運動模式p(x(t+1)|x(t))的分布情況，確定t+1時刻可以移動到某一網格gb(t+1)(b∈{1，....N(i+1)})的t時刻的區域Ga(t)，Ga(t)定義為{gL(t)，...，gM(t)}，其中1≤L≤M≤N(t)；t+1時刻如果目標移動到gb(t+1)網格區域，t時刻目標一定出現在Ga(t)區域
11)在gb(t+1)範圍內求∫p(x(t+1)|x(t))p(x(t)|z(t))dx(t)的值，也就是在Ga(t)範圍內求積分
L、M為Ga(t)中網格序號的最小值和最大值；
12)在每個網格區域gi(t)內的p(x(t)|z(t))為常數pi(t)，並且根據每個節點的運動模式，簡化為
13)gb(t+1)區域內的信任度表達為
其中lb(t+1)為gb(t+1)區域中的似然函數值；
14)G(t+1)中的gi(t+1)(0＜i≤N(t+1))網格重複運行上面a)至d)的運算過程；得到每個網格的p(x(t+1)|z(t+1))值，G(t+1)可表示為
集合當中的每個元素的M(j)和L(j)都和lj(t+1)的序號j有關，並且集合中的元素不為0。
全文摘要
無線傳感器網絡中基於主從移動代理的目標跟蹤方法使用基於MA的運算模式簡化複雜的分布式目標跟蹤算法，把WSN中目標跟蹤問題歸結為MA的路由問題。採用主從(master/slaver)移動代理結合模式，提出主移動代理MMA(MasterMobile Agent)和從移動代理SMA(Slave Mobile Agent)的不同的路由遷移模式。主移動代理MMA運行信息驅動的基於主移動代理的目標跟蹤算法，MMA攜帶信任度，自適應網絡連接和目標運動模式的隨機變化，動態決定下一跳最大信息貢獻量的遷移節點，使得MMA通過在節點之間的遷移，維持對目標的跟蹤，多個MMA完成對多個目標的跟蹤任務。
文檔編號H04W24/00GK101635941SQ20091018385
公開日2010年1月27日 申請日期2009年7月24日 優先權日2009年7月24日
發明者胡海峰 申請人:南京郵電大學