论文部分内容阅读
无线传感器网络(Wireless Sensor Networks,WSN)是当前在国际上备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域。无线传感器网络由部署在监测区域内大量的微型传感器节点组成,通过无线通信方式自组织的形成网络系统,其目的是协作的感知、采集和处理网络覆盖区域中的监测对象,并将其传送给网络的使用者。同时,无线传感器网络具有价格低廉、体积小、组网方便灵活等优点,可以被广泛地应用于国防安全、环境监测、交通管理、医疗救护、制造业、反恐抗灾等领域,具有重要的科研价值和广泛的应用前景,得到了全世界的广泛关注,被公认为是将对21世纪产生巨大影响的技术之一。论文以无线传感器网络环境下的目标信息采集处理、定位和跟踪为研究背景,系统的研究了传感器噪声处理、网络中簇内数据融合和节点定位以及目标跟踪方法,遵循无线传感器网络能量优先、数据为中心的设计要求,针对这些重点技术做了深入的研究,提出了相应的解决方法和算法,为进一步的深入研究和应用奠定了基础。论文的研究主要研究包括以下几个方面:无线传感器网络由于受节点特性和环境的影响,传感器测量信号中带有的噪声影响节点测量的准确性,甚至影响整个网络的测量结果。针对这些问题,本文提出了一种改进卡尔曼算法的传感器信号处理方法,由于传统卡尔曼滤滤波器需要精确的过程噪声方差和测量噪声方差数值,这些数值一般只能通过经验分析得到或者通过概率的方法取得其近似值,论文采用滑窗估计方法自适应的估计滤波器的测量噪声方差参数,实现对传感器采样数据滤波。这种方法能够滤除传感器本身以及采样电路带来的噪声信号,同时能够自适应的调整卡尔曼滤波器的参数。由于无线传感器网络是由大量传感器节点构成,数目庞大的网络节点产生大量的高度冗余的感知数据流,在充分利用感知数据的基础上,采用适当的数据处理算法以适应有限带宽的数据传输是亟待解决的问题。论文研究了无线传感器网络中感知数据的融合处理方法,采用基于无线传感器网络的自适应加权簇内融合算法,通过建立测量方差自适应估计和构造判断矩阵实现了簇内节点采样数据的最优加权,实现无线传感器网络节点传感数据快速、合理的分组和自适应加权,得到更加稳定可靠的结果。该方法简单、实用,提高了数据的鲁棒性和准确性,同时降低了整个网络内的数据冗余度,节省了大量的网络能量和网络带宽。针对无线传感器网络的数据信息中通常需要伴随着位置信息,论文提出一种新型的基于锚节点分簇的节点快速定位(LAC,Location based on Anchor Clustering)算法。LAC算法将传感器节点的测距技术与多维尺度分析定位技术相结合,通过以锚节点为中心划分簇,利用多边定位确立伪锚节点,并将伪锚节点与锚节点相结合实现了绝对坐标智能定位。算法通过以锚节点划分簇进行节点定位,减少了测量误差,提高了坐标重构的精度;仿真结果表明,通过分簇结构的分布式定位,减少了定位复杂度,提高了定位精度,同时提高了整个网络的扩展性与鲁棒性。针对无线传感器网络对运动目标跟踪的需要,讨论了一种基于无线传感器网络下的运动目标跟踪方法。论文利用传感器网络的连通性和物体运动的连续性,将运动规律预测与粒子滤波算法相结合,提出一种应用于无线传感器网络中运动目标跟踪的并行粒子滤波算法,算法通过多个感知节点的运行粒子滤波算法,形成本地估计,在动态成簇的簇头节点进行信息融合,得到运动目标的最终状态估计。该方法跟踪精度高,跟踪反应时间快,能量消耗均衡,较好地解决无线传感器网络环境下的运动目标跟踪问题,实验仿真表明了算法的正确性、有效性以及精确度。作为应用研究对象,设计开发了一种基于无线传感器网络的气体监测系统,在无线电子鼻网络系统对环境气体浓度进行实时监测实验和气体源运动扩散的跟踪实验中对所提算法进行了简单验证。实验表明,研究的方法有助于扩展空间和时间的覆盖,提高环境监测系统在时间和空间上的分辨率和覆盖范围。