无线传感器网络信息检测的目标跟踪算法

0引言

无线传感器网络（Wireless Sensor Network， WSN）跟踪过程中目标的运动轨迹无规律可循，且各个传感器节点感测信息时所受的噪声分布未知，给研究带来极大的挑战，对目标跟踪的研究主要集中于定位和预测阶段。最初学者利用线性拟合的思想[1-2]将运动轨迹看成由众多的线段拟合出运动轨迹，该算法虽然计算复杂度低但没有充分利用到网络中的可用信息[3]；随后考虑到粒子滤波算法[4-5]适用于非线性、非高斯环境的特征，将其引入WSN目标跟踪中，但其计算复杂度较高，不适合在能量和计算能力有限的传感器节点上运行；之后将其进行改进提出了众多改进的粒子滤波算法[6-9]，同时研究对象由基于单目标的跟踪研究上升到基于多目标跟踪的研究。由于多个目标在运动过程中发出的信号会相互干扰，文献[10]利用相对熵和信息熵进行混合拟合来解决各目标信道过滤的干扰；文献[11]提出目标群的跟踪问题，通过边界簇头将目标群定位为一个凹凸区域，然后定位目标群所在区域的多边形；文献[12]利用运动学理论来研究多目标跟踪。除此之外许多学者还致力于目标跟踪过程中信息融合[13]和物理层参数变化 [14]等的研究。

上述研究都是在路由正确和无攻击的前提下进行的，但信息是否正确到达sink节点对定位和跟踪精度影响甚大。由于传感器节点暴露在外部空间，极易受到攻击，有可能信息在传递的过程中被篡改，致使到达sink节点的信息发生变化；或者在簇头节点与sink节点通信过程中，信息发生丢失或延迟，这些都将影响sink节点融合定位和预测目标轨迹的精度，所以在定位跟踪时应尽量减少这些因素带来的误差。本论文鉴于此，通过考虑簇头节点与sink节点通信过程中可能发生的误差，来辨别和消除错误信息以便提高跟踪精度。

1相关研究

目标跟踪算法利用传感器节点感测到的信息定位目标当前位置，然后通过所得历史数据构建模型预测目标的下一位置。文献[1]提出了分段拟合和滑动窗口拟合的算法；文献[2]提出基于距离加权的跟踪算法，通过权值使距离目标不同的节点有不同的贡献值，它们都通过前阶段获得的定位坐标作为预测的历史数据。文献[4]分析粒子滤波跟踪中各个变量和校验参数取值情况，通过变量取不同值时，获取最佳的校验参数，以达到权衡跟踪精度和计算复杂度。文献[5]利用支持向量机（Support Vector Machine， SVM）理论进行单个传感器节点信息的融合，然后利用两种分布式融合算法融合各个传感器节点的冗余信息。它们都通过粒子滤波算法建立有效的预测模型来提高跟踪精度。

文献[6]提出量化预测函数用以选择高质量的粒子，通过计算质心转化向量降低重采样阶段引起的粒子退化。文献[7]利用改进的序列化距离代替信号特征序列化和粒子间距序列作为标准规划来计算粒子权重以便形成轻量级的计算。文献[8]提出异步分布式粒子算法，利用高斯混合模型代替先验分布达到减少带宽和降低能量消耗的目的。文献[9]利用隐马尔可夫模型自动检测目标，并利用改进的粒子算法进行跟踪目标。它们都基于粒子滤波的改进，以降低算法复杂度和节点能耗、解决粒子退化为目的。但以上文献的研究都没有考虑簇头向sink节点传送信息过程中发生的变化，简单地认为路由过程正确无误且无攻击。

本文将簇头看作传统网络中的路由器，分析在路由过程中可能出现的乱序问题，并考虑网络被攻击时数据信息的变化，同时提出相应的策略。在通信过程中，各簇头发来的信息最终达到sink节点，然后sink节点根据这些信息计算目标的当前位置并预测目标下一时刻的位置，以便提前唤醒相关簇头节点，因此检测到sink节点信息的正确性对提高定位跟踪精度至关重要。