新颖的无线传感器网络传感器调度和节能量化跟踪目标

PAGEPAGE182013届本科毕业设计(论文)外文文献翻译学院：物理与电子工程学院专业：光电信息工程（光伏）姓名：吴杰学号：050409104外文出处：JControlTheoryAppl201311(1)116–121DOI10.1007/s11768-013-0254-8附件：1.外文资料翻译译文；2.外文原文

附件1：外文资料翻译译文新颖的传感器调度和节能量化跟踪目标无线传感器网络GuiyunLIU,BugongXU+自动化科学与工程学院、华南理工大学、广州广东510640年,中国摘要：本文着重于讲述传感器调度和信息量子化为目标跟踪的无线传感器网络。减少能源消耗的量,选择下一个任务传感器和数字转换率的数据是必要的和有效的。在现有的工作里,传感器调度的目标包括最大化跟踪精度和减少能源成本。在本文中,集成的传感器的主要特征是调度和量化技术用于平衡之间的折衷跟踪精度和能耗，提出的方案包括一个新颖的过滤过程的调度方案,和一个压缩的量子化的扩展卡尔曼滤波算法(EKF)。该平台采用的方法是降低门槛采样间隔来减少执行时间的所有操作。一个真正的跟踪系统测试平台的传感器调度和量子化方案的好坏，是最后能源消费和跟踪精度的平台在不同方案进行比较得出的。关键词：无线传感器网络;矢量量化;目标跟踪介绍通过无线传感器网络目标跟踪(轮)是一个规范的问题。轮有多种用途,如监测、医疗、救援、栖息地监测[1]。它一直是一个热点问题和一个非常具有挑战性的任务,尽管许多研究已经完成从不同的角度.能源的限制是其中最关键的问题轮。对于目标跟踪应用程序,所需的性能跟踪应该满足的时候,能量消耗最小化。众所周知,传感器管理常用的网络平衡跟踪准确性和能源消耗。例如,在[2],自适应传感器调度为目标跟踪提供了改善周期传感器调度方案[3]和令人满意的跟踪精度能量消耗少。在[4],考虑传感器调度的实现计划在[2]和[3]到Micazmote,分布式竞争传感器调度方案提供。该方案在[4],不仅减少了计算复杂度和采样间隔,但也达到更好的跟踪精度和较低的有可能失去目标。一种自适应多传感器调度方案提出[5]改变了最佳采样间隔在每一个时间吗根据给定的步跟踪精度阈值。为了减少能源消费而不是恶化的跟踪性能,集群的任务是选择根据传感器他们的联合探测概率在[5]。算法在[2-5]只需要关注如何管理传感器节点。在[6],一个有效的压缩卡尔曼滤波(位置)算法是研究减少的总体传播信息或数据。该算法在[6],取代状态误差协方差矩阵在著名的卡尔曼滤波算法通过一个对角矩阵,还维护由一个上界的收敛性的原始协方差矩阵。通过使用量化或数字化信息用于传输代替原始测量值或模拟信号,传输数据的总体也减少了。传感器的能量消耗以及无线带宽降低[7]。因此,量化的传播信息可以被视为一种有效的方法增加轮的终生。在本文中,一个测试床的轮跟踪系统是发达。在发展的过程中,我们发现一些传感器调度方案,如定期的传感器调度方案和分布式competitionbased[3]传感器调度在[4],并不完美,因为大型计算的影响或一些异常情况测量损耗、物理信号干扰和跟踪的协方差矩阵的状态估计有时是负面的)。因此,一个健壮的调度提出了避免上述情况。除了从传感器调度技术进行有效的跟踪,量化技术被认为是减少能量消费。一个简单和计算开销不大的量化器也介绍给增加轮寿命。拟议的量化器使用一个向量量化器和有效压缩传输信号。最后,为了实现一个更好的性能(跟踪精度)的集成系统,一个方法降低阈值的采样间隔提供减少执行时间的所有操作。其余的文章是有组织的如下。在部分2,系统模型下给出了调查。在第三节,所提出的鲁棒调度和量化算法,并介绍了一些关于如何降低阈值的采样间隔的实用给出了平台。在第四节,发达的目标跟踪系统和实验显示。最后,在第五部分,给出了结论。2.系统模型目标跟踪的无线传感器网络实现,跟踪位置和速度的一个吗对象,以下条件满足:(1)传感器节点是静态的,他们的头寸前已知。传感器节点可以通过使用本地化位于算法或之前使用。例如,传感器节点是均匀分布在一个矩形的领域区域假定为二维在本文。(2)每个传感器节点可以检测目标在检测地区之间的距离,让自己和目标。然而,一个传感器可能无法正常工作甚至如果目标在检测区域。(3)每个节点可以接收/发送数据包从/到其他节点通过无线信道。包丢失时,因为影响的信号强度变化和种类的噪音。每个节点可以与它的邻国节点在一定距离的节点。我们不考虑路由问题。该模型的一个二维恒定速度被认为是。它的目标运动的动力学方程如下:X(k+1)=F(Δtk)X(k)+w(k,Δtk),(1)在Δtk=tk+1−tk是采样间隔的一种吗的测距传感器。测距传感器我们特别选择是测距声纳。X(k)和F(Δtk)是国家过程和系统矩阵在时间tk。上面的X(k)是一个fourelement向量(x(k),十五(k),y(k),青年志愿(k)),v表示目标的速度沿着x轴向或y方向。P(k+1|k+1)E(X(k+1)−ˆX(k+1|k+1))×(X(k+1)−ˆX(k+1|k+1))T),Θ(k+1)=(P(k+1|k+1)),在ˆX(k+1|k),ˆX(k+1|k+1)、P(k+1|k)和P(k+1|k+1)表示预测状态,更新状态,状态误差协方差矩阵的预测和更新的状态误差协方差矩阵,分别。一般来说,跟踪的P(k+1|k)意味着预测跟踪精度[4]。不同于[4],跟踪的P(k+1|k+1)采用我们提出的传感器调度方案。基本操作的扩展卡尔曼滤波器(EKF)被认为是一样的线性离散卡尔曼滤波器。其他细节的规范EKF不是讨论了为了简洁。3.灵敏的调度和量化算法减少能源消耗和提高鲁棒性的系统,在我们开发的跟踪系统平台,一个灵敏的传感器调度方案,提出了一种新型的量子化卡尔曼滤波器算法,测量失去了宽容的算法和方法,介绍了降低采样间隔,分别如下：3.1一个灵敏的传感器调度方案在我们的跟踪系统平台,该传感器调度只需要一个传感器节点方案(称为任务节点)负责执行其超声波传感器。为了避免损失的对象产生的长抽样间隔,失去的抽样值或数据包,我们开发一个健壮的分布式传感器调度方案(RDSS)。在RDSS,任务节点将选择的节点小的|Θ(k+1)|作为下一个任务节点。拟议的程序如下:查询步骤的任务节点将驱动超声波传感器和得到一个距离值之间的目标和任务节点。通过使用规范的卡尔曼滤波器,目标的状态预测。然后,任务节点会发送一个分布式查询命令其邻近节点,问它的一个相邻节点的响应查询。反应步骤一旦一个节点接收到分布式查询命令,节点将广播一条响应消息与一个退下时间如果节点没有收到任何前终止命令。终止命令发出的任务节点任务节点接收到后邻近的节点之一的响应消息。注意终止命令可以阻止一些节点来应答查询。过滤步骤当受到邻近节点”响应消息在一个分配时间,任务分配节点立即广播命令和终止标志着国旗这意味着任务节点已经收到一个响应消息。注意任务节点可能不会可以接收到响应消息如果所有的邻国节点的退下时间比分配时间。分配时间的选择必须采取硬件和软件的性能考虑。在我们的目标跟踪系统分配的时间是选择30如果国旗女士被标记,其他任何响应消息不能收到吗的任务节点。在这种情况下,任务节点将治疗本身作为下一个任务节点。交接步骤一旦当前任务节点接收第一响应消息,它将设置标志(i,j)=1,在那里我意味着当前任务节点的节点我和j意味着接下来的任务节点节点j。图1实验结果与RDSS和QA。在拟议的过程见图2,当前任务节点节点2。四个步骤后,节点5变成了下一个任务节点。Q、R、F和H是缩写的查询步骤,反应步骤,过滤步骤,交接步骤,分别如下：图2传感器鲁棒调度方案在这里,我们将展示如何计算时间(退下反应步骤)响应查询的任务节点传感器。我们使用一个阈值,严格限制退下时间和避免干扰到下一个周期响应步骤。有人指出我们提出算法与RDSS从分布式竞争传感器选择[4],在传感器节点的任何候选人听到回复消息并将立即终止其竞争下一个任务的传感器。在我们RDSS,每个节点将继续争夺未来任务传感器节点收到之前终止命令从先前的任务组织传感器节点。该算法[4]假设真正的补偿时间是随机的之间的数字0和马克斯补偿时间。然而,这个假设并不总是如此。Φ(k+1)马克斯(即。,其最大)不能保证是可用的,因为之前有时Φ(k+1)马克斯趋向无穷大和设置任何有限值等于Φ(k+1)最多将是不切实际的。克服这个问题,我们提出RDSS算法定义了一个阈值。阈值是一个点超出那里是一种不同的方法设置值的补偿时间。无论Φ(k+1)马克斯是无限的还是有限的,补偿时间是等于或小于马克斯补偿时间。备注1时间一步提出传感器调度方案意味着采样间隔(Δtk)某些给定测距传感器(即。、超声波传感器)。这个时间步不是分配之前,取决于实际的执行调度流程。按照以往的经验,一个方法降低阈值的采样间隔应采用(见3.3节)来提高性能我们提出的调度方案。3.2一个量化算法的卡尔曼滤波器在本节中,一个新颖的量化算法(QA)消除了能源消耗。基本矢量量化的原则是行之有效的多年前和矢量量化也被认为是作为一个有价值的技术数据压缩现在。我们申请一个矢量化到数字转换的对角矩阵￣Pi(K|K)[6]。在本文中,￣Pi(K|K)是给定如下:Pi(K|K)=diag{2p11+2|p12|Δtk2+1,2p22+2|p12|Δtk2+1,2p33+2|p34|Δtk2+1,2p44+2|p34|Δtk2+1}.拟议的小说QA算法可以分为两个步骤:压缩的卡尔曼滤波的目的过程是发现一个合适的对角矩阵,可以减少计算复杂度的状态误差协方差矩阵和比特数需要交换信息两个传感器节点之间。根据定理4.2在[6],￣Pi(K|K)是选择取代状态误差协方差矩阵,我表示当前任务节点传感器。矢量量化的效率量化器将改进如果量化器的参数可以调整吗以适应统计字符的编码信号。我们应当假定一个量化器操作输入序列的输入向量,如ˆX(k|k)和￣Pi(k|k)。如果每个连续的向量具有相同的分布,是一个固定的量化器足够的。固定矢量量化应用这里是一个映射从一个向量X在k维欧几里得空间罗伯特-库比卡成一个有限集合组成的ˆXN输出点ˆXi(我=1、2、。。。,N)在家乡。这个命令组输出点被称为矢量量化的码书的。矢量量化器是分成两个操作,一个编码器,E,和一个解码器,D一个框图的操作参与向量量化是图3所示。它主要由部分的编码器,译码器部分和预测部分。这个编码器的部分是一个映射从向量ˆek进一个索引我(i=1、2、。。。,N)。解码器部分是一个映射我变成一个向量索引ˆek。通道噪声是不考虑在这里。预测部分(见图3,P意味着预测部分)生成一个值˜Xk,线性预测值。给出了线性预测价值如下:˜Xk=f(−1,˜˜XkXk−2。。。,˜Xk−m),km,m∈n.(4)注意参数的函数f是˜Xk−1−2,˜Xk和˜Xk−米,而不是Xk−−1,2,Xk。。。,Xk−m。这个函数f应该仔细选择,这里使用了以下方程:Xk=f(˜Xk−1,˜Xk−2,...,˜Xk−m),km,m∈N.这里r称为步长。K意味着向量是一个kdimensional欧几里得空间。更大的r是,更大的错误它将导致。如前所述在第二节,声纳传感器用于测距和精确度的测量可以吗达到厘米分辨率。因此,一个是选为步骤大小和被认为是适当的。注意一个表示在制服一公分的矢量量化。备注2上述量化算法质量不是一般的量化算法。继续跟踪目标在轮distributedly,众所周知,信息预测的结果状态估计应该转发一些传感器之间。在RDSS过程,只有第一步(查询步骤)需要传输的信息状态估计的预测。减少传输能源消费,状态估计也可以量子化的。然而,很明显,只有第二步这里可以应用的质量。注意输入的量化器(只包括第二步的QA)Xk是估计状态过程ˆX(k|k)第2节中讨论。4实验分析4.1平台的概述目标跟踪系统独立开发包含16个传感器节点,1服务器节点和一个朋友的机器人作为目标见图1。每个传感器节点配备一个微小尘粒和一个SRF08Micaz超声波测距仪。朋友的机器人的轨道表明服务器节点。尘粒内的(ZigBee无线射频收发器准备)集成有内置Atmega128L单片机。它运行一个微型操作系统(TinyOS)。我们使用TinyOS1.x版本和讨论RDSS的好处和QA算法。4.2实验设置和结果恒速度模型解释了在第二节也使用。这个实验的目的是根据前述假设在第二部分解释。在假设1),矩形场的面积是3.6米×3.6米和那里是16个静态传感器节点放置在前进。例如,右下角的显示在图1,是与协调(0,0)的传感器节点1。见图1,灰色的节点称为传感器节点1是相应的节点在右下角的矩形场。其他节点也均匀分布及其坐标是(xi,易建联),∀我=1、2、。。。、16。在这个例子中,假定移动目标离开从右下角的坐标(60、60)到左上角的坐标(300,300)第一个任务节点和目标的初始状态设置为[60;0;60;0]。见左边的图1,实验室-视图显示了目标已经移到左上角的矩形场与坐标(306,295)。这个朋友机器人(目标)的速度移动300mm/s和它的轨迹就像形状的阿拉伯数字2。展示我们的提议RDSS和QA节能,我们计算所有节点的能量消耗在跟踪过程。我们假设一个简单的模型,收音机消散Eelec(55nJ/位)来运行transimitter或接收机电路。其他操作能耗忽略这里。所有消息packeted在特定的数据格式,这决定了消息的长度和能源消耗发送或接收消息。换句话说,消息格式在TinyOS1。X是考虑清楚一点的比较数字提出了量子算法与nonquantizedEKF算法。这个nonquantized算法意味着矩阵P(k|k)和矢量Xk发送或交换没有量化处理。以下字段显示在图4是传输或接收电台CC2420。图4收音机在TinyOS堆栈。的最小长度是7字节传送消息addr(2字节)+类型(1字节)+集团(1字节)+长度(1字节)+数据(0字节)+crc(2字节)=7字节)。在这个实验中,用户信息包括P(k|k),ΔtkXk,,测量值,目的地址,等等。总字节长度的封装用户的信息nonquantized算法(分布式竞争传感器调度(dcs)在[4])是0x63和它的消息长度为0x6a(0x07+0x63)。基于质量、长度要求发送信息P(k|k)是4个字节。然而,当处理状态过程Xk,我们不考虑压缩卡尔曼滤波步骤。它的长度是4个字节。函数f选择都是Xk=−i=1αi˜Xk−i,m=2,αi=0.5,i=1,2.提出了压缩量化算法是0x19EKF和它的消息长度为0x20(0x07+0x19)。图4所示,查询步骤和反应步骤有不同的上述封装用户信息。请注意总字节长度的封装用户信息查询步骤是0x21(0x19+0中)和它的消息长度是0x28(0x07+0x21)。其他措施包括不同的封装用户信息。结果的差异也不同能源消费和被认为是在这个实验。实验利用RDSS提议和QA。与dcs和上述的比较非量化方案,对提出的能源消耗很大程度上减少RDSS和QA,见图5。跟踪误差的两种情况显示在无花果。67是几乎相同的。图5中的能源消耗,每个节点:术语“号码”5结论在本文中,我们引入了一个新颖的传感器调度和量化算法的目标跟踪在无线传感器网络里的应用,提出了实现跟踪系统平台的方案。主要的贡献有两个部分。首先,传感器调度已经实现,可以避免一些异常情况通过使用给定的过滤过程。第二部分是一个新颖的计算开销不大的量化器,集成了矢量量化器卡尔曼滤波和压缩,被设计的基础在平台上。我们也开发了实验证明此算法的有效性，它显示了能量可以被保存在大量采用提出的算法与小跟踪精度里。感谢作者要感谢雷莫的中国南方科技大学宝贵的讨论健壮传感器调度方案和虚拟仪器的设计。参考文献[1]F.Zhao,J.Shin,J.Reich.Information-drivendynamicsensorcollaboration.IEEESignalProcessingMagazine,2002,19(3):61–72.[2]W.Xiao,J.Wu,L.Xie.Adaptivesensorschedulingfortargettrackinginwirelesssensornetwork.ProceedingsoftheSPIE–TheInternationalSocietyforOpticalEngineering.U.S.A.:SPIE,2005:104–112.[3]W.Xiao,J.Wu,L.Shue,etal.Aprototypeultrasonicsensornetworkfortrackingofmovingtargets.Proceedingsofthe1stIEEEConferenceonIndustrialElectronicsAndApplications.NewYork:IEEE,2006:1511–1516.[4]K.Yue,W.Xiao,L.Xie.Awirelesssensornetworktargettrackingsystemwithdistributedcompetitionbasedsensorscheduling.ProceedingsoftheInternationalConferenceonIntelligen