鬼佬大哥大
  • / 15
  • 下載費用:30 金幣  

適用于節點分布稀疏的基于RSS的無源運動跟蹤方法.pdf

關 鍵 詞:
適用于 節點 分布 稀疏 基于 RSS 無源 運動 跟蹤 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
摘要
申請專利號:

CN201210204317.8

申請日:

2012.06.18

公開號:

CN102711043B

公開日:

2015.01.28

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):H04W 4/02申請日:20120618|||公開
IPC分類號: H04W4/02(2009.01)I; H04W64/00(2009.01)I 主分類號: H04W4/02
申請人: 北京中防視信科技有限公司
發明人: 楊永民; 江峰; 李直
地址: 100085 北京市海淀區上地信息產業基地上地三街中黎科技園1號樓2層c段
優先權:
專利代理機構: 天津盛理知識產權代理有限公司 12209 代理人: 王利文
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201210204317.8

授權公告號:

102711043B||||||

法律狀態公告日:

2015.01.28|||2012.11.28|||2012.10.03

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明涉及一種適用于節點分布稀疏的基于RSS的無源運動跟蹤方法,其特點是:⑴設定N個位置隨機的粒子;⑵根據長期測量值模型和短期測量值模型對每個粒子分別計算出當目標處于該粒子的位置時各鏈路的RSS的長期測量值和短期測量值;⑶將每個粒子的兩個RSS值分別與實測的RSS值比較并處理后得到每個位置的粒子對應的權重;⑷對每個位置粒子所對應的權重進行重采樣;⑸計算目標位置的估算結果;⑹根據自回歸高斯模型更新粒子的位置;⑺返回步驟⑵,重復執行直到跟蹤過程結束。本發明設計合理,使傳感器網絡中每個鏈路的感知范圍得到擴大,保證了在節點分布稀疏的無線傳感器網絡上的跟蹤精度,在不同環境下的稀疏節點網絡中均有良好的性能。

權利要求書

1.一種適用于節點分布稀疏的基于RSS的無源運動跟蹤方法,其特征在于:
包括以下步驟:
⑴設定N個位置隨機的粒子X=[x1,...,xN];
⑵根據長期測量值模型和短期測量值模型對每個粒子分別計算出當目標處
于該粒子的位置時各鏈路的RSS的長期測量值和短期測量值;
⑶將每個粒子的兩個RSS值分別與實測的RSS值比較,根據正態分布模型
計算出權重,然后將兩個權重相乘,最后對所有粒子的權重進行歸一化,得到
每個位置的粒子對應的權重{W,X};
⑷對每個位置粒子所對應的權重{W,X}進行重采樣,將權重小的粒子移到權
重大的粒子所在位置上得到新的粒子位置這時所有粒子權重均為
⑸根據新粒子位置與權重的對應關系,計算目標位置的估算結果;
⑹根據自回歸高斯模型更新粒子的位置;
⑺返回步驟⑵,重復執行直到跟蹤過程結束。
2.根據權利要求1所述的適用于節點分布稀疏的基于RSS的無源運SS的
無源運動跟蹤方法,其特征在于:所述的長期測量值模型μR(n)和短期測量值模
型分別為:
μR(n)=φd(xn)+ωd,n
σ R 2 ( n ) = φ s ( x n ) + ω s , n ]]>
其中,xn是第n個時間點上人的位置,φd(xn)和φs(xn)分別衍射模型和散射模
型,ωd,n和ωs,n是相互獨立的高斯白噪聲,其均值均為0,方差分別為和
3.根據權利要求2所述的適用于節點分布稀疏的基于RSS的無源運SS的
無源運動跟蹤方法,其特征在于:所述的衍射模型φd(xn)和散射模型φs(xn)分別為:
φd(xn)=Ra(xn)+Re
φ s ( x n ) = c h | | x t - x r | | n d | | x n - x t | | n s | | x n - x r | | n s ]]>
其中,xn是第n個時間點上人的位置,Re是網絡區域中沒有目標存在時的RSS
均值;R(xn)是目標位于xn時造成的RSS衰減,cs、cd為常數,nd是傳
播指數。
4.根據權利要求1所述的適用于節點分布稀疏的基于RSS的無源運SS的
無源運動跟蹤方法,其特征在于:所述步驟⑸計算目標位置的估算結果采用如
下公式得到:
X est = 1 N Σ i = 1 n X i . ]]>
5.根據權利要求1所述的適用于節點分布稀疏的基于RSS的無源運SS的
無源運動跟蹤方法,其特征在于:所述的自回歸高斯模型為;
xk+1=xk+σvv
其中,xk是第k個離散的時刻目標的位置,為常數,v~N(0,1)。

說明書

適用于節點分布稀疏的基于RSS的無源運動跟蹤方法

技術領域

本發明屬于無源運動跟蹤技術領域,特別涉及一種適用于節點分布稀疏的
基于RSS的無源運動跟蹤方法。

背景技術

基于接收信號強度(RSS:Received?Signal?Strength)的無源運動跟蹤
(DFMT:Device-free?Motion?Tracking)是一種以無線傳感器網絡為基礎的新
興跟蹤技術。RSS值可以從傳感器網絡中連接不同節點的通信鏈路上測得。在傳
感器網絡覆蓋的區域里,移動的人或物體會對與其移動線路交叉或是位于其線
路附近的鏈路上的無線電波產生衰減或散射作用。由于RSS受到這些作用而產
生的相應變化,因此利用RSS的這一特性可以估計移動目標的位置,跟蹤系統
連續地收集RSS數據,再根據一定的測量模型和跟蹤算法來由這些數據來跟蹤
目標的位置。在基于RSS的無源運動跟蹤中,目標本身無需攜帶任何的通信設
備或標記,跟蹤中使用的信號載體——無線電波,具有良好的穿透性,并且不
依賴于亮度,能見度等光線條件。基于以上特性,這一技術在災難救援、軍事、
安保等領域有著廣泛的應用前景,因為在這些應用場景中,我們都不能確保被
跟蹤的目標一定攜帶了無線通信設備。

在一個無線傳感器網絡中,節點之間兩兩形成一個鏈路,穿過同一區域的
鏈路數越多,就有越多的RSS數據可以用來計算這一區域里電磁波出現的衰減。
一般意義上來說,使用更多的RSS數據可以有效地去除噪聲和其他干擾帶來的
數據偏差,從而得到更高的定位和跟蹤精度,因此對于基于RSS的無源運動跟
蹤,已有的絕大多數方法都將傳感器節點擺放得較為密集(平均1~2m2一個節
點),以此來保證有足夠多的鏈路網絡覆蓋區域。雖然這樣做可以得到較高的精
度,但是,與此同時部署節點的工作也將變的更為繁瑣和不便,節點的維護成
本也會大大增加,更重要的是,在一些災難救援等應用場景中,我們通常沒有
足夠的時間來部署大量節點,也不可能有足夠的已部署好的無線傳感器設施,
此時單位面積內節點數和鏈路數較少,利用的RSS測量數據就會不足,也就無
法滿足跟蹤的精度。

發明內容

本發明的目的在于克服現有技術的不足,提供一種設計合理、能夠滿足跟
蹤精度的適用于節點分布稀疏的基于RSS的無源運動跟蹤方法,。

本發明解決其技術問題是采取以下技術方案實現的:

一種適用于節點分布稀疏的基于RSS的無源運動跟蹤方法,包括以下步驟:

⑴設定N個位置隨機的粒子X=[x1,...,xN];

⑵根據長期測量值模型和短期測量值模型對每個粒子分別計算出當目標處
于該粒子的位置時各鏈路的RSS的長期測量值和短期測量值;

⑶將每個粒子的兩個RSS值分別與實測的RSS值比較,根據正態分布模型
計算出權重,然后將兩個權重相乘,最后對所有粒子的權重進行歸一化,得到
每個位置的粒子對應的權重{W,X};

⑷對每個位置粒子所對應的權重{W,X}進行重采樣,將權重小的粒子移到權
重大的粒子所在位置上得到新的粒子位置這時所有粒子權重均為

⑸根據新粒子位置與權重的對應關系,計算目標位置的估算結果;

⑹根據自回歸高斯模型更新粒子的位置;

⑺返回步驟⑵,重復執行直到跟蹤過程結束。

而且,所述的長期測量值模型μR(n)和短期測量值模型分別為:

μR(n)=φd(xn)+ωd,n

σ R 2 ( n ) = φ s ( x n ) + ω s , n ]]>

其中,xn是第n個時間點上人的位置,φd(xn)和φs(xn)分別衍射模型和散射
模型,ωd,n和ωs,n是相互獨立的高斯白噪聲,其均值均為0,方差分別為和

而且,所述的衍射模型φd(xn)和散射模型φs(xn)分別為:

φd(xn)=Ra(xn)+Re

φ s ( x n ) = c h | | x t - x r | | n d | | x n - x t | | n s | | x n - x r | | n s ]]>

其中,xn是第n個時間點上人的位置,Re是網絡區域中沒有目標存在時的RSS
均值;R(xn)是目標位于xn時造成的RSS衰減,cs、dc為常數,nd是傳
播指數。

而且,所述步驟⑸計算目標位置的估算結果采用如下公式得到:

X est = 1 N Σ i = 1 n X i . ]]>

而且,所述的自回歸高斯模型為;

xk+1=xk+σvv

其中,xk是第k個離散的時刻目標的位置,為常數,v~N(0,1)。

本發明的優點和積極效果是:

本發明設計合理,根據一般性衍射理論將無線信號的多徑分量分為長期測
量值和短期測量值,并分別推導出這兩類多徑分量與RSS測量值之間的關系,
綜合考慮這兩類分量影響的測量模型,該模型盡可能地擴大每一條鏈路的感知
范圍,最后利用目標位置的先驗和后驗信息,采用粒子濾波算法完成對目標運
動的跟蹤,從而使傳感器網絡中每個鏈路的感知范圍得到擴大,保證了在一個
節點分布稀疏的無線傳感器網絡上,得到不低于節點密集網絡的跟蹤精度,在
不同環境下的稀疏節點網絡中均有良好的性能。

附圖說明

圖1為單個鏈路中無線信號的多徑分量隨目標移動產生的變化示意圖;

圖2為目標沿方形路線移動時的跟蹤結果示意圖;

圖3為目標沿方形路線移動時跟蹤結果的均方根誤差示意圖;

圖4a為單個鏈路中RSS測量值、長期測量值和衍射模型理論值的比較示意
圖;

圖4b為單個鏈路中RSS測量值、長期測量值的差值、短期測量值和散射模
型理論值的比較示意圖;

圖5為目標沿之字形路線移動時的跟蹤結果示意圖;

圖6為傳感器節點排布不規則時的跟蹤結果示意圖。

具體實施方式

以下結合附圖對本發明實施例做進一步詳述:

一種適用于節點分布稀疏的基于RSS的無源運動跟蹤方法,在一個節點分
布稀疏的無線傳感器網絡上,得到不低于節點密集網絡的跟蹤精度。通常情況
下,當單位面積內節點數和鏈路數較少時,可以利用的RSS測量數據就會不足,
因此跟蹤精度隨之下降。為了解決這一問題,我們基于一般性衍射理論(UTD:
Uniform?Theory?of?Diffraction)將無線信號的多徑分量分為兩類,并分別推
導出這兩類多徑分量與RSS測量值之間的關系;在此基礎上,我們提出了一個
綜合考慮這兩類分量影響的測量模型,該模型盡可能地擴大每一條鏈路的感知
范圍;最后,我們利用目標位置的先驗和后驗信息,采用粒子濾波算法完成對
目標運動的跟蹤。

本基于RSS的無源運動跟蹤方法,包括以下步驟:

⑴設定N個位置隨機的粒子X=[x1,...,xN];

⑵根據長期測量值模型和短期測量值模型對每個粒子分別計算出當目標處
于該粒子的位置時各鏈路的RSS的長期測量值和短期測量值;

所述的長期測量值模型μR(n)和短期測量值模型分別為:

μR(n)=φd(xn)+ωd,n

σ R 2 ( n ) = φ s ( x n ) + ω s , n ]]>

其中,xn是第n個時間點上人的位置,φd(xn)和φs(xn)分別衍射模型和散射模型,

ωd,n和ωs,n是相互獨立的高斯白噪聲,其均值均為0,方差分別為和
所述的衍射模型φd(xn)分別為:

φd(xn)=Ra(xn)+Re

φ s ( x n ) = c h | | x t - x r | | n d | | x n - x t | | n s | | x n - x r | | n s ]]>

其中,xn是第n個時間點上人的位置,Re是網絡區域中沒有目標存在時的RSS
均值;R(xn)是目標位于xn時造成的RSS衰減,cs、cd為常數,nd是傳
播指數。

⑶將每個粒子的兩個RSS值分別與實測的RSS值比較,根據正態分布模型
計算出權重,然后將兩個權重相乘,最后對所有粒子的權重進行歸一化,得到
每個位置的粒子對應的權重{W,X};

在本步驟中,根據方差為0.5的正態分布模型計算出權重,該方差取值可
以根據實際情況調整。

⑷對每個位置粒子所對應的權重{W,X}進行重采樣,將權重小的粒子移到權
重大的粒子所在位置上得到新的粒子位置這時所有粒子權重均為從而
得到新的粒子與權重的對應關系

⑸根據新粒子位置與權重的對應關系,根據下式計算目標位置的估算結
果:

X est = 1 N Σ i = 1 n X i . ]]>

⑹根據以下自回歸高斯模型更新粒子的位置:

xk+1=xk+σvv

其中,xk是第k個離散的時刻目標的位置,為常數,v~N(0,1)。

(7)返回步驟(2),重復執行直到跟蹤過程結束。

下面對本發明的原理進行說明:

本發明根據一般性衍射理論(UTD)將RSS測量值分解長期測量值μR(n)和短
期測量值,長期測量值和短期測量值反映了RSS值的長期變化和短期變化。

一個位于傳感器網絡區域內的人,會對某些鏈路上的電磁波產生吸收、反
射、衍射或散射作用。基于UTDd的研究證明,對于微波和無線電波波段的電磁
波,人體可以被近似地看做一個導電的圓柱體。我們使用基于UTD理論的簡化
衰減模型來進行具體分析:

如圖1所示,假設一個單獨的無線鏈路和一個在它附近移動的人。兩個
節點的位置為xt和xr。在時間點t1,可視路徑(LOS?Path:Line?Of?Sight?Path)
沒有被擋住,到了時間點t2,人的位置發生了移動,擋住了可視路徑。因此
到達接收節點的無線信號的多徑分量可以分為這樣兩類:一類分量在t1時刻
經由可視路徑傳播,在t2時刻衍射作用繞過人體傳播,它們在本文中被稱為
“衍射波”;另一類分量在兩個時刻都在人體發生反射、散射,或穿過人體
后到達接收節點,以往的研究大都用散射模型來描述它們的傳播,因此它們
在這里被稱為“散射波”。

我們用s0(t)表示載波信號,它可以寫成如下的復數形式:

s 0 ( t ) = a 0 e j ( ω 0 t + φ 0 ) ]]>

其中a0為信號幅度,ω0為角頻率,φ0為相位。我們再用Wd表示衍射波的
集合,Ws表示散射波的集合,則接收節點收到的所有分量疊加的信號s(t)可
以表示為:

s ( t ) = Σ i W d a i s 0 ( t - τ i ) + Σ i W s a i s 0 ( t - τ i ) - - - ( 1 ) ]]>

其中ai和τi為第i個多徑分量的幅度衰減(相比載波幅度而言)和時間延
遲。簡便起見,不妨認為接收信號只由兩路多徑分量組成:衍射分量(所有
衍射波疊加到一起的結果)和散射分量(所有散射波疊加到一起的結果)。這
樣s(t)可以表示為:

s ( t ) = A d a 0 e j ω 0 t + Φ d + A s a 0 e j ω 0 t + Φ s ]]>

其中Ad和As為兩分量的幅度衰減,Φd和Φs為各自的相位。我們通常所說
的RSS是用分貝(dB)表示的接收信號的功率,而功率一般被認為是信號幅
度的平方。因此RSS測量值RdB可以表示為:

R dB = 10 lg ( P d + P s + 2 P d P s cos Φ ) - - - ( 2 ) ]]>

其中和為兩分量的功率衰減;Φ=Φd-Φs為二者的相位差。
由于散射波在散射、反射過程中會有明顯的散射損耗,并且由于傳播距離更
長有著更大的傳播損耗,可以認為P》P。這樣(2)式可以通過泰勒級數
展開,取前兩項近似表示如下:

R dB = 10 ( lg P d + 2 P s P d cos Φ ) - - - ( 3 ) ]]>

在一段有限的時間T內,Pd和Ps可以被看作是恒定的,而Φ則在隨機地、
迅速地變化。因此RSS測量值可以被看做一個隨機過程PdB(t),它的平均值
μR(t)和方差也可以隨之計算得出:

R dB = 10 [ lg P d + 2 P s P d cos ( ωt + Φ ) ] - - - ( 4 a ) ]]>

μR(t)=E[RdB(t)]=10lgPd????(4b)

σ R 2 ( t ) = E [ R dB ( t ) - μ R ( t ) ] 2 = 2 P s P d - - - ( 4 c ) ]]>

其中Φ是一個在區間[-ππ]上均勻分布的隨機變量。顯然,這個隨機過
程是遍歷的,因此它的統計平均和時間平均是等價的。然而,在無線傳感器
網絡中,RSS測量值是以一個固定的時間間隔Ts在離散的時間點上采集的,
這樣得到的是一個離散時間函數R(n):

R(n)=RdB(nTs)

這樣,RSS的均值和方差將當前時間前后通過數量有限的一組采樣值計
算得出,表達式如下:

μ R ( n ) = 10 lg P d = 1 2 N s + 1 Σ p = - N s N s R ( n + p ) - - - ( 5 a ) ]]>

σ R 2 ( n ) = 2 P s P d = 1 2 N s + 1 Σ p = - N s N s [ R ( n + p ) - μ R ( n ) ] 2 - - - ( 5 b ) ]]>

其中μR(n)和是nTs時刻計算得到的均值和方差;緩沖區的長度,也就
是用來計算均值和方差的采樣值個數為2Ns+1。這樣,μR(n)和分別代表
了RSS值的長期變化和短期變化。我們分別稱之為“長期測量值”和“短期
測量值”。

長期測量值μR(n)和短期測量值的表達式分別為:

μR(n)=φd(xn)+ωd,n

σ R 2 ( n ) = φ s ( x n ) + ω s , n ]]>

其中xn是第n個時間點上人的位置。φd(xn)和φs(xn)分別表示長期測量值和
短期測量值與人的位置的關系,也就是測量模型本身。ωd,n和ωs,n是相互獨立
的高斯白噪聲,其均值均為0,方差分別為和我們稱φd(xn)為衍射模
型,φs(xn)為散射模型,下面對兩個模型分別進行介紹。

1、衍射模型

長期測量值主要反映了無線傳感器網絡中障礙物造成的陰影效應,已有
的研究已經提出了一些反應陰影效應的模型(如:無限像素模型)。本衍射模
型就是無限像素模型的延伸。在無限像素模型中,φd(xn)可以表達如下:

φd(xn)=R(xn)+Re????(6)

其中Re是網絡區域中沒有目標存在時的RSS均值;R(xn)是目標位于xn時
造成的RSS衰減,其定義如下:

R ( x n ) = c d exp ( | | x t - x r | | - | | x n - x t | | - | | x n - x r | | σ d ) - - - ( 7 ) ]]>

其中xt和xr是一個鏈路的發射節點和接收節點的位置坐標,cd是當目標
正好位于兩節點的連線上時,即||xt-xr||-||xn-xt||-||xn-xr||=0時的衰減。σd則決
定了衰減值隨目標與兩節點的相對距離變化的速率。

根據衍射波的定義,對同樣的相對距離||xt-xr||-||xn-xt||-||xn-xr||,當鏈路
長度(發射與接收節點的距離,||xt-xr||)較短時,人體所遮擋的衍射波分量
要多于鏈路長度較長時遮擋住的分量,對于長期測量值造成的衰減也更多。
這樣,經過優化的最終衰減表示如下:

R a ( x n ) = R ( x n ) | | x t - x r | | - - - ( 8 ) ]]>

為了簡化測量過程,我們用弗里斯自由空間傳播損耗公式來計算(6)式
中的Re,以代替原方法中使用目標不存在時網絡中各鏈路的RSS測量值的平
均值作為Re的做法。修改后的Re表達式如下:

Re=-10nelg||xt-xr||-R1????(9)

其中ne是傳播指數,R1是兩個單獨的節點距離為1米時RSS測量值的平
均值。最后,將(7)式和(8)式結合,衰減模型表達為:

φd(xn)=Ra(xn)+Re????(10)

2、散射模型

短期測量值主要反映了散射效應。在諸如雷達理論和室內無線傳播模型
等經典的無線理論中,通常假設散射波在遇到障礙物時只進行方向上的改變,
而沒有強度上的衰減。基于這一假設,當傳感器節點的天線均勻地向各個水
平方向發射無線信號時,散射波的功率衰減Ps(xn)表達式如下:

P s ( x n ) = c s | | x n - x t | | n s | | x n - x r | | n s - - - ( 11 ) ]]>

其中cs為常數;ns是傳播指數,由是一個傳播環境決定的常數。基于弗
里斯自由空間傳播損耗公式,衍射波的功率衰減可以表示為:

R d ( x n ) = c d | | x t - x r | | n d - - - ( 12 ) ]]>

其中cd為常數;nd是傳播指數。我們將無線信號的這兩類多徑分量的傳
播指數設置為兩個獨立的值,從而更好地適應各種不同的環境。根據(5b)、
(11)和(12)式,最終的散射模型表示如下:

φ s ( x n ) = c h | | x t - x r | | n d | | x n - x t | | n s | | x n - x r | | n s - - - ( 13 ) ]]>

其中 c h = 2 c s c d . ]]>

φd(xn)=Ra(xn)+Re

由于上述測量模型本身并不能直接得到目標的位置,因此,本發明將測量
模型與粒子濾波算法相結合實現基于RSS的無源運動跟蹤功能。粒子濾波算
法提供了一個完成目標跟蹤的框架,其常被用來解決非線性、非高斯場景下
的最優化問題的數學方法,其與傳統的位置估計方法(如卡爾曼濾波算法)
相比,粒子濾波算法不需要任何的局部線性化過程和函數化的估算。在我們
的跟蹤方法中,粒子濾波算法利用長期和短期測量值作為后驗信息,利用前
一時刻的目標位置作為先驗信息。最終的估計結果由大量的隨機樣本(即“粒
子”)計算得出。我們還使用了自回歸高斯模型(ARG:Autoregressive?
Gaussian)為目標位置的動態變化建模,表達式為:

xk+1=xk+σvv????(14)

其中xk是第k個離散的時刻目標的位置,σv為常數,v~N(0,1)。

本發明的核心思想是通過對無線傳感器網絡中多徑衰落現象的理論分析,
從而擴大傳感器網絡中每個鏈路自身的感知范圍。為此,我們搭建了一個節
點分布稀疏的無線傳感器網絡,它只有4個節點,分布在一個4米×4米的
正方形區域的邊緣,如圖2、圖5和圖6所示。每個節點包括一塊TI公司生
產的CC2530無線收發芯片,一個全向天線和兩節1.2V可充電電池。CC2530
無線收發芯片的物理層協議使用IEEE?802.15.4標準,采用2.4GHz頻段進行
收發。另有一個基站節點負責接收所有網絡中傳輸的數據包,并將數據通過
USB串口傳輸到一臺筆記本電腦中。實驗平臺被放置在一個室外空間,距離
最近的高大建筑物約6米。

數據傳輸使用了一個簡單的令牌環協議來防止傳輸阻塞。每個節點在程
序編譯時被分配了一個唯一的節點ID。兩次測量的時間間隔設定為20毫秒。
粒子濾波算法中粒子的數目N設為1000,σv設為0.15。

我們將4個節點放置在方形區域各條邊的中點。首先,我們讓目標在距
離區域邊緣1米處沿方形路線移動。圖2給出了跟蹤結果與真實移動路徑的
比較結果,從圖2中可以看出,估計結果與真實路徑基本吻合。

為了更直觀地量化分析跟蹤精度,我們計算了估算結果的均方根誤差。
圖3顯示了均方根誤差隨時間變化的曲線。當目標以圖2所示的路徑移動時,
平均均方根誤差為0.1157米。從圖2和圖3可以看出,當目標經過路徑的拐
角處時,跟蹤誤差相對較大。這種現象是因為在拐角處,目標的方向在短時
間內變化很大,而這種情況在我們使用的ARG動態模型中概率較低。

為了進行更細致的分析,我們提取率一個單獨鏈路上的RSS值變化。我
們選取了位于網絡區域內坐標(0,2)和(2,0)的兩個節點間的鏈路。當
目標在鏈路附近移動時,鏈路的RSS值變化十分迅速。從圖4(a)中可以看
出,當LOS沒有被擋住時,長期測量值基本保持恒定;當目標的路徑穿過LOS
時,長期測量值迅速下降。相似地,在圖4(b)中,隨著目標越來越靠近LOS,
短期測量值的幅度也越來越大。圖4(a)和圖4(b)中根據測量模型計算得
到的理論值和目標的真實路徑得到的鏈路的理論RSS值幾乎重合。

此外,我們還在不同場景下重復進行了上述的跟蹤實驗。圖5是當目標
沿蛇形路線移動時的運動跟蹤結果。此場景下的平均均方根誤差為0.1332
米。圖6是當節點擺放位置不規則時的運動跟蹤結果。此場景下的平均均方
根誤差為0.1193米。這些結果均表明本跟蹤方法對于不同的移動路徑和節點
布置格局有著很好的適應性。

需要強調的是,本發明所述的實施例是說明性的,而不是限定性的,因此
本發明并不限于具體實施方式中所述的實施例,凡是由本領域技術人員根據本
發明的技術方案得出的其他實施方式,同樣屬于本發明保護的范圍。

關于本文
本文標題:適用于節點分布稀疏的基于RSS的無源運動跟蹤方法.pdf
鏈接地址:http://www.wwszu.club/p-6420695.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大