基于声震传感器网络的目标分类与容错跟踪研究

• 作 者: 林振华
• 机 构: 中国科学院大学
• 出 处: 中国科学院研究生院 中国科学院大学
• 发表日期: 2011年期
• 关键词: 声震传感器网络 运动目标分类 容错跟踪 节点选择 节点设计 希尔伯特-黄变换

基于传感网的运动目标分类与跟踪需由能量和资源受限的节点协同完成,其中震动传感器、声音传感器是主要的探测手段。本文围绕声震传感器网络,对目标分类与跟踪展开研究,主要内容及贡献如下:　　
(1)针对传感器节点能量和资源受限,提出改进峰度检测分类算法。该算法用马尔科夫链近似得到大尺度时间窗内的平均信号能量代替峰度定义中的分母,通过比例因子和异常突变阀值动态调整平均信号能量值。仿真结果表明该算法区分人员入侵和车辆入侵准确率达98.26％。　　
(2)震动信号是一种非平稳信号,以傅里叶变换为基础的各种提取频谱特征的方法,容易引入虚假频率。通过对震动信号进行希尔伯特-黄变换得到边际谱,根据轮式车和履带车在边际谱上不同的频率分布,结合支持向量机,提出车辆分类算法。仿真分析表明,轮式车和履带车分类正确率为93.7%。　　
(3)针对大规模随机布设的无线传感网节点存在一定概率的clutter测量和测量噪声模型参数难以统一定义的问题,提出一种新的目标跟踪算法。该算法是在Rao-Blackwellized蒙特卡洛数据关联算法基础上,引入代价函数,根据代价函数的可信度和误差偏离度,实时在线更新测量噪声模型参数。仿真结果表明,该算法具有很好的自适应性、收敛性和鲁棒性。在clutter测量概率达10%情况下,该算法仍能精确跟踪;在测量噪声方差由0.001到0.1,该算法能动态调整模型参数。　　
(4)针对基于传感网的目标跟踪是由多个节点协同完成的,提出clutter测量下新的节点选择策略。该策略是在粒子滤波基础上,根据前一时刻的位置、速度估计和估计因子,结合节点本身的测量值计算每一粒子相应的权值,然后加权得到节点的可信度,选择可信度较高的节点作为测量节点。仿真结果表明,在锚节点密度较高和目标低速运动的情况下,采用新策略的跟踪算法具有很好的容错能力和环境适应能力,即使clutter测量概率0.5＞pem＞0.1,仍能精确跟踪。　　
(5)构建声震传感器网络目标分类与跟踪平台,从硬件和软件两方面介绍传感器节点设计和汇聚节点设计。