分布式傳感器網(wǎng)絡(luò)環(huán)境的多目標(biāo)跟蹤和特征管理設(shè)計(jì)

而本地信息被運(yùn)用來(lái)降低由香農(nóng)信息所得的信任矩陣的不確定性。LxK信任矩陣的香農(nóng)信息定義如下：

接下來(lái)的問(wèn)題是將該信息關(guān)聯(lián)到信任矩陣。信任矩陣具有如下性質(zhì)：各列之和等于1;各行之后保持不變;各列之和的和與各列之和的和相等。如果將某列替換為本地信息，將無(wú)法保證以上性質(zhì)。當(dāng)且僅當(dāng)本地信息能夠降低信任矩陣的不確定性時(shí)才能與信任矩陣進(jìn)行關(guān)聯(lián)。

4.3 信息融合

DMTIM算法通過(guò)信息融合來(lái)計(jì)算本地傳感器網(wǎng)絡(luò)的全局信息，具體包括來(lái)自不同傳感器的狀態(tài)估計(jì)值和特征信任向量的融合。

特征信息(信任向量)的融合能夠被表述為最優(yōu)化的問(wèn)題。3個(gè)不同的成本函數(shù)，香農(nóng)信息(Shannon information)，切爾洛夫信息(Chemo ff information)，以及萊布勒距離(Kullbaek-Leibler distances)之和代表了不同的性能指標(biāo)。本文場(chǎng)景中所有的傳感器都參與協(xié)同工作，因此我們采用香農(nóng)信息的方法。

假設(shè)本地傳感器提供了兩個(gè)信任向量

。香農(nóng)信息法用計(jì)算兩個(gè)信任向量的凸函數(shù)的方法求得一個(gè)融合信任向量：

鑒于每個(gè)目標(biāo)可能具有來(lái)自不同傳感器的多重軌跡，運(yùn)用軌跡數(shù)據(jù)融合方法來(lái)對(duì)多重的軌跡進(jìn)行合并。設(shè)ωi為來(lái)自傳感器i的軌跡，NBi為包括i并與i相鄰的一系列傳感器。設(shè)Y’={τk(t)：τk∈ωj，1≤t≤T，1≤k≤ω|ωj|，j∈NBi}為所有確定目標(biāo)的一系列觀測(cè)結(jié)果。通過(guò)重疊觀測(cè)區(qū)域，可以由Y’得到一系列合并觀測(cè)結(jié)果Y。于是得到一系列新的軌跡ωinit。然后對(duì)一系列合并觀測(cè)結(jié)果運(yùn)行算法，以得出本地穩(wěn)定的跟蹤軌跡，其初始狀態(tài)為ωinit。

5 仿真結(jié)果

在該節(jié)中，提供一個(gè)簡(jiǎn)單的場(chǎng)景來(lái)說(shuō)明DMTIM算法的性能。環(huán)境中有兩個(gè)固定傳感器--空中交通管制雷達(dá)，在二維空間中對(duì)多架飛機(jī)進(jìn)行跟蹤。假定每個(gè)傳感器觀測(cè)范圍的半徑為10 km，并且當(dāng)兩傳感器距離進(jìn)入20 km的通信范圍，它們之間可以實(shí)現(xiàn)相互通信。該場(chǎng)景中包含3架飛機(jī)，如圖4所示。被標(biāo)注為A和B的飛機(jī)首先被預(yù)注冊(cè)，被標(biāo)注為的飛機(jī)對(duì)于特征管理系統(tǒng)是未知的。左側(cè)傳感器被傳感器1所標(biāo)注，右側(cè)傳感器被傳感器2所標(biāo)注。每個(gè)傳感器中的多目標(biāo)跟蹤模塊對(duì)目標(biāo)的數(shù)量進(jìn)行估算，并且對(duì)每個(gè)已知目標(biāo)的軌跡進(jìn)行估算。在圖5中，目標(biāo)數(shù)量改變的事件被垂直的點(diǎn)線所標(biāo)注。在時(shí)刻1，傳感器1感知到目標(biāo)1，并且其信任向量為是目標(biāo)k能夠被傳感器i所感知并標(biāo)定為j的概率;同時(shí)傳感器2感知到它的目標(biāo)1，并且其信任向量為。在時(shí)刻9，傳感器1發(fā)現(xiàn)新目標(biāo)(傳感器1的目標(biāo)2)，并賦予新值X。同時(shí)，傳感器2感知到新目標(biāo)(傳感器2的目標(biāo)2)，該目標(biāo)的特征值和狀態(tài)估計(jì)信息從傳感器1轉(zhuǎn)移過(guò)來(lái)。以此類推，在時(shí)刻30，傳感器2的目標(biāo)2離開(kāi)了傳感器2的觀測(cè)范圍，其信息隨機(jī)從傳感器2刪除。

信息融合能夠降低目標(biāo)交叉運(yùn)動(dòng)所產(chǎn)生的不確定性。鑒于香農(nóng)信息效率的優(yōu)越性，在該試驗(yàn)中我們運(yùn)用了該方法來(lái)實(shí)現(xiàn)信息的融合。圖6所示為融合的信任向量，圖7為實(shí)現(xiàn)狀態(tài)估計(jì)融合后各傳感器所估算的軌跡。

6 結(jié)論

筆者主要對(duì)傳感器網(wǎng)絡(luò)下多目標(biāo)的跟蹤和特征管理方法進(jìn)行了研究。數(shù)據(jù)關(guān)聯(lián)和多目標(biāo)跟蹤的問(wèn)題能夠由馬爾科夫鏈蒙特卡洛數(shù)據(jù)關(guān)聯(lián)算法有效地解決，該算法能夠?qū)?shù)量未知且數(shù)量隨時(shí)間變化的多目標(biāo)進(jìn)行跟蹤。文中還講述了一個(gè)可擴(kuò)展的分布式多目標(biāo)跟蹤和身份管理(DMTIM)算法，該算法能夠?qū)Χ嗄繕?biāo)進(jìn)行跟蹤，并在分布式傳感器網(wǎng)絡(luò)環(huán)境下能夠有效地管理目標(biāo)的特征。DMTIM算法由數(shù)據(jù)關(guān)聯(lián)，多目標(biāo)跟蹤，特征管理，以及信息融合四部分所組成。DMTIM能夠?qū)δ衬繕?biāo)特征的本地信息進(jìn)行有效地整合，以降低系統(tǒng)的不確定性，并通過(guò)信息融合來(lái)保持相鄰傳感器的本地一致性。