优化生存时间的无线传感器网数据融合.pdfVIP

：!!三： ．塑翻嗣霉- 定制约。因此，如何节约节点能量、提高通信效率一直是 WSN研究中的主要问题。 近年来．国内外学者纷纷将形成于20世纪80年代的 多传感器数据融合技术…引入资源受限的WSN中，旨在一 定程度上消除节点本身或相邻节点感知到的数据在时空 上存在的相关性和冗余性，来降低数据量，以达到节约通 『1 下 0 0] 信能耗的目的。其中，如何将卡尔曼滤波有效应用到 WSN数据融合中是研究热点之一。陈军勇等12喏虑将传矩阵，且A乒l：：?：J，其中，丁是时槽间隔。 感器数据经过量化处理，提出迭代量化卡尔曼滤波器， 【0 0 0 l J 并证明其稳定性。参考文献[3，4】专门针对无线传感器网 络中的定位跟踪问题．研究基于卡尔曼滤波的数据融合 算法。参考文献[5】还研究将卡尔曼滤波器与贝叶斯估计 结合起来。应用于WSN数据融合中。以上研究均在基于卡 尔曼滤波的WSN数据融合的某个方面取得了一定成果。 但它们默认每个节点均将感知信息发送到融合节点。然 而．WSN节点部署密集，节点感知的信息冗余度很大，可 选择部分节点的感知数据用于卡尔曼滤波融合，以在保证 融合质量的前提下，达到减少通信量和降低计算复杂度 的目的。MoY和YangC等人164】已经对此作了系列研 究．为如何选择参与融合的WSN节点提供有效参考。但 靠：靠+兰≯坼+丝三丝此+以 (3) d☆d渡 这些研究不是面向具体应用的。事实上，从实际应用中 可以进一步挖掘数据融合的空间，比如，在目标跟踪中， 选择共线度较小的3个节点的测距信息即可实现较准 确的定位跟踪110】。 为此。针对WSN中的目标定位跟踪应用，研究如何实 时调度参与卡尔曼滤波融合的节点，从而在保证跟踪准确 l丸 屯 l吐。l l靠I ； j ； i 度的前提下，优化WSN生存时间。 巩=l !l，乙=l l，彳=『；『 2 预备知识 巩：㈢卦饼彳：斟{生玉。必oL日MJ L口MJ 2。1 扩展卡尔曼滤波 卡尔曼滤波是由Kalman等人在20世纪60年代提出 的一种递推滤波算法．它能够从一系列不完全包含噪声的 测量中，估计动态系统的状态。KalIIlan最初提出的滤波理 论只适用于线性系统．扩展卡尔曼滤波则是在卡尔曼滤波 的基础上针对非线性系统提出的一种改进方式．目前已被 广泛应用于目标定位跟踪领域…】。本节分析用于目标定位 跟踪的扩展卡尔曼滤波模型。 (1)状态方程模型 设目标在时刻后的状态为兄=k，巩，儿，№]7，其中，瓤 和饥分别是目标在水平方向位置和垂直方向的位置，仇和 融合处理呢?本文采取的措施为：当这两个小区域内的节 3算法设计 点首次获取该目标的测距信息时，将测距信息发送给所在 3．1 算法描述 小区域的sink节点：两个sink节点分别对接收到的测距 如上文所述，假设已按地理位置将整个WSN区域均 信息进行融合处理后，得到目标的估计位置；两个sink节 匀地划分成多个小区域，并部署了能量不受限制的sink节 点交换各自计算的估计值，得到目标的平均估计位置；根 点，如图3所示。在此基础上，本文关注如何选择共线度较 据目标的平均估计位置所在的区域，确定由哪个小区域负 小的3个节点参与扩展卡尔曼滤波融合处理来实现移动 责定位跟踪该目标。比如，定位误差使得目标的平均估计 目标的定位跟踪．并优化网络生存时间。该问题包括：划分 位置在小区域B，那么小区域B负责定位跟踪该目标，小 节点组、激活小区域及选择节点组。