优化生存时间的无线传感器网数据融合

doi:10.11959/j.issn.1000-0801.2016139

摘要/Abstract

摘要：

以WSN中的目标跟踪为应用背景，研究基于扩展卡尔曼滤波法的优化生存时间数据融合问题，设计了一种兼顾跟踪准确度和节点能量的算法来实时地调度参与融合处理的节点组。仿真结果表明，当目标的移动速度在一定范围内时，提出的算法能使跟踪结果不偏移目标的运动轨迹。另外，与Random方法和All方法相比，提出的算法大大延长了WSN的生存时间。

关键词: 无线传感器网络, 优化生存时间, 数据融合, 卡尔曼滤波

Abstract:

Taking target tracking in wireless sensor network（WSN）as application background，data aggregation for optimizing network lifetime based on extended Kalman filter method was researched，and an algorithm which considered both tracking accuracy and node energy to real-time schedule node groups involved in the data integration was designed.Simulations show that the proposed algorithm makes the tracking results do not deviate from the trajectory of target as long as the target speed is within a certain speed range.In addition，compared with the Random method and the All method，the proposed algorithm greatly prolongs network lifetime.

Key words: wireless sensor network, optimizing network lifetime, data aggregation, Kalman filter

董齐芬,陈红玉,李国军,王亢,洪榛. 优化生存时间的无线传感器网数据融合[J]. 电信科学, 2016, 32(6): 116-123.

Qifen DONG,Hongyu CHEN,Guojun LI,Kang WANG,Zhen HONG. Data aggregation in wireless sensor network for optimizing network lifetime[J]. Telecommunications Science, 2016, 32(6): 116-123.

图/表 12

图1

图2

图3

表1

表2

表3

表4

表5

随着目标移动角速度w的变化，不同算法的网络生存时间"

算法	$w = \frac{2 π}{50}$	$w = \frac{2 π}{100}$	$w = \frac{2 π}{150}$	$w = \frac{2 π}{200}$	$w = \frac{2 π}{250}$	$w = \frac{2 π}{300}$
All算法	36	36	36	36	30	24
Random算法	262	210	219	204	215	234
本文算法	316	292	300	288	280	270

表5

表6

随着目标移动角速度w的变化，不同算法的平均跟踪误差"

算法	$w = \frac{2 π}{50}$	$w = \frac{2 π}{100}$	$w = \frac{2 π}{150}$	$w = \frac{2 π}{200}$	$w = \frac{2 π}{250}$	$w = \frac{2 π}{300}$
All算法	1.405	1.358	1.330	1.346	1.346	1.345
Random算法	16.99	4.12	2.73	2.62	2.54	2.42
本文算法	11.29	3.12	2.51	2.29	2.27	2.22

表6

表7

图4

图5

参考文献 16

[1]	HALL D L ， LLINAS J . An introduction to multi-sensor data fusion[J]. Proceedings of the IEEE， 1997，85（1）： 6-23.
[2]	陈军勇，邬依林，祁恬 . 无线传感器网络分布式量化卡尔曼滤波[J]. 控制理论与应用， 2011，28（12）： 1729-1739. CHEN J Y ， WU Y L ， QI T . Distributed quantized Kalman filtering for wireless sensor networks[J]. Control Theory ＆Applications， 2011，28（12）： 1729-1739.
[3]	XU J ， LI J ， XU S . Data fusion for target tracking in wireless sensor networks using quantized innovations and Kalman filtering[J]. Science China Information Sciences， 2012，55（3）： 530-544.
[4]	MAHFOUZ S ， MOURAD-CHEHADE F ， HONEINE P ，et al. Target tracking using machine learning and Kalman filter in wireless sensor networks[J]. IEEE Sensors Journal， 2014，14（10）： 3715-3725.
[5]	张品，董为浩，高大冬 . 一种优化的贝叶斯估计多传感器数据融合方法[J]. 传感技术学报， 2014，27（5）： 643-648. ZHANG P ， DONG W H ， GAO D D . An optimal method of data fusion for multi-sensors based on bayesian estimation[J]. Chinese Journal of Sensors and Actuators， 2014，27（5）： 643-648.
[6]	MO Y ， SHI L ， AMBROSINO R ，et al. Network lifetime maximization via sensor selection[C]// The 7th IEEE Asian Control Conference，Aug 27-29，2009，Hong Kong，China. New Jersey： IEEE Press， 2009： 441-446.
[7]	MO Y ， GARONE E ， CASAVOLA A . Stochastic sensor scheduling for energy constrained estimation in multi-hop wireless sensor networks[J]. IEEE Transactions on Automatic Control， 2011，56（10）： 2489-2495.
[8]	YANG C ， REN X ， ZHENG J ，et al. Sensor scheduling for communication resource minimization in centralized state estimation[C]// IEEE International Conference on Information and Automation，July 28-30，2014，Hulun Buir，China. New Jersey： IEEE Press， 2014： 1166-1171.
[9]	YANG C ， WU J ， REN X . Deterministic sensor selection for centralized state estimation under limited communication resource[J]. IEEE Transactions on Signal Processing， 2015，63（9）： 2336-2348.
[10]	孟文超，俞立，董齐芬，等. 基于最优信标组的扩展卡尔曼定位算法[J]. 传感技术学报， 2011，24（4）： 581-586. MENG W C ， YU L ， DONG Q F . Extended Kalman localization algorithm based on the best beacon group[J]. Chinese Journal of Sensors and Actuators， 2011，24（4）： 581-586.
[11]	YIM J ， PARK C ， JOO J . Extended Kalman filter for wireless LAN based indoor positioning[J]. Decision Support Systems， 2008，45（4）： 960-971.
[12]	吴凌飞，孟庆虎，梁华为 . 一种基于共线度的无线传感器网络定位算法[J]. 传感技术学报， 2009，22（5）： 722-727. WU L F ， MENG Q H ， LIANG H W . A collinearity-based localization algorithm for wireless sensor networks[J]. Chinese Journal of Sensors and Actuators， 2009，22（5）： 722-727.
[13]	董齐芬，盛蒙蒙 . WSNs目标跟踪中的节点组选择机制研究[J]. 计算机时代， 2015（12）： 10-12. DONG Q F ， SHENG M M . Node group selection scheme for target tracking in wireless sensor networks[J]. Computer Era， 2015（12）： 10-12.
[14]	潘耘，李嫣，李晋凯，等. 无线传感器网络中的多Sink节点的放置问题[J]. 计算机研究与发展， 2010，47（S2）： 92-95. PAN Y ， LI Y ， LI J K . Multiple sink node placement problems in wireless sensor networks[J]. Journal of Computer Research and Development， 2010，47（S2）： 92-95.
[15]	徐久强，柏大治，罗玎玎，等. 遗传算法在WSNs多Sink节点布局中的应用[J]. 东北大学学报（自然科学版）， 2008，29（6）： 815-818. XU J Q ， BAI D Z ， LUO D D . The application of genetic algorithm to deployment of multiple sink nodes in WSNs[J]. Journal of Northeastem University（Natural Science）， 2008，29（6）： 815-818.
[16]	朱艺华，杨晨曦，吴万登，等. 无线传感器网络权衡生存时间与数据分组跳数的分流路由算法[J]. 传感技术学报， 2009，22（2）： 273-279. ZHU Y H ， YANG C X ， WU W D . Diffluent traffic routing algorithms trading off network lifetime and number of packet hops for wireless sensor networks[J]. Chinese Journal of Sensors and Actuators， 2009，22（2）： 273-279.

类别	节点组1	节点组2	节点组3	节点组4
共线度	0.5	0.7	0.65	0.75
节点剩余能量/J	85 90 70	77 72 80	90 64 92	80 65 90
与簇头的距离/m	50 60 75	20 30 15	55 35 45	30 25 30

参数	取值
节点的初始能量E/mJ	20
发送单位比特数据时电路电子能耗E_elec/（nJ·bit^-1）	50
放大单位比特数据时所需要的电子能耗ε_fs/（pJ·（bit·m^-2）^-1）	100
系统噪声方差Q_k	0.01
测距信息的比特数g/bit	256
两个节点之间的最小允许距离d/m	8
表征3个节点与目标之间的相对距离参数r	3.5

算法	R=25	R=20	R=15	R=10	R=5	R=0.000 1
All算法	2.077	1.872	1.633	1.346	0.963	0.060
Random算法	3.88	3.30	3.42	2.62	2.19	0.70
本文算法	3.30	3.09	2.72	2.29	1.81	0.55

测量项	α=1，β=0	α=1，β=1	α=1，β=2	α=1，β=4	α=1，β=6	α=1，β=8	α=0，β=1
生存时间	10	72	84	88	89	89	115
跟踪误差	2.20	2.29	2.32	2.32	2.32	2.33	2.56