[發明專利]一種基于跟蹤精度和能量消耗指標下的多傳感器管理方法

有效

• 申請號: 201811479980.2
• 申請日: 2018-12-05
• 公開（公告）號: CN109783844B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 李新德;董一琳
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 梁耀文

1.一種基于跟蹤精度和能量消耗指標下的多傳感器管理方法，其特征在于，包括如下步驟：

(1)針對傳感器網絡中的每一個傳感器，構建傳感器鑒別框架：A＝{A₁,A₂,…,A_M}；

(2)基于DSmT理論，構建該鑒別框架下的超冪集空間D^A＝{A,∪,∩}；

(3)對超冪集中的每一個傳感器組合，通過卡爾曼濾波算法，進行目標跟蹤，得到跟蹤精度；

(4)根據傳感器切換過程，通過能量函數，計算每一個傳感器的能量消耗量；

(5)根據步驟(3)得到的跟蹤精度與步驟(4)得到的能量消耗，構建決策矩陣；

(6)通過BF-TOPSIS多評價策略，獲取最佳傳感器代表，并利用該傳感器組合，進行當前時刻的目標跟蹤。

所述步驟(1)中構建傳感器鑒別框架的具體步驟如下：

原始傳感器網絡中的傳感器有A₁,A₂,…,A_M,由這些傳感器直接構成傳感器鑒別框架：A＝{A₁,A₂,…,A_M}。

所述步驟(2)中構建超冪集空間的具體步驟如下：

A₁,A₂,…,A_M∈D^A

公式(2.1)中的A_i,i∈{1,…,M}代表虛擬傳感器；D^A代表一個冪集空間；

如果A_i,A_j∈D^A,則

A_i∩A_j∈D^A,A_i∪A_j∈D^A

公式(2.2)中的A_i∩A_j交集運算構成合取焦元，A_i∪A_j并集運算構成析取焦元，由所有這些焦元構成一個冪集空間，即D^A＝{A,∪,∩}。

所述步驟(3)中得到跟蹤精度的具體步驟如下：

X(k+1|k)＝F(k)X(k|k),

P(k+1|k)＝F(k)P(k|k)F^T(k)+Q(k),

γ(k+1)＝Z(k+1)-H(k+1)X(k+1|k),

S(k+1)＝H(k+1)P(k+1|k)H^T(k+1)+R(k+1),

K(k+1)＝P(k+1|k)H^T(k+1)S^-1(k+1),

X(k+1|k+1)＝X(k+1|k)+K(k+1)γ(k+1),

P(k+1|k+1)＝P(k+1|k)-K(k+1)·S(k+1)K^T(k+1)；

其中，X(k|k)為k時刻下的狀態變量，F(k)為狀態轉移矩陣，H(k)為量測矩陣，Q(k)和R(k)為狀態噪聲協方差和觀測噪聲協方差，S(k)為中間變量，K(k)為卡爾曼增益，P(k|k)為估計協方差，Z(k+1)為實測數據，γ(k+1)為使用當前傳感器A_i得到的跟蹤精度。

所述步驟(4)中計算每一個傳感器的能量消耗量的具體步驟如下：

如果當前任務傳感器A_i考慮到下一個時刻啟動的傳感器為A_j時候，如果i≠j時，則傳感器A_i消耗的數據傳送能量計算公式為

其中，e_t和e_d是傳感器A_i的傳送數據參數，r_ij為傳感器A_i與A_j之間的歐式距離，b_c為數據傳送的字節數，α為指數系數，設定為2；

傳感器A_j的數據接收能量消耗函數為

E_r(A_j)＝e_rb_c

其中，e_r為傳感器A_j的接收能量消耗，b_c為數據傳送的字節數；類似地，傳感器A_i的監測與數據處理的能量消耗函數為E_s(A_j)＝e_sb_s；因此，選擇傳感器A_j的能量消耗量的計算公式如下：

其中e₀＝(e_t+e_r)b_c+e_sb_s,e₁＝e_db_c,e_s,b_s為傳感器處理數據參數；

根據上述公式得到能量消耗量；

所述步驟(5)中構建決策矩陣的具體步驟如下：

根據計算出的每一個傳感器組合對應的跟蹤精度和能量消耗，構建得到決策矩陣：

其中，C₁代表跟蹤精度指標，C₂代表能量消耗指標，A_i代表虛擬傳感器，S_j(i)代表指標C_j下第i個傳感器的評分。

2.根據權利要求1所述的一種基于跟蹤精度和能量消耗指標下的多傳感器管理方法，其特征在于，所述步驟(6)中通過BF-TOPSIS多評價策略，獲取最佳傳感器代表，并利用該傳感器組合，進行當前時刻的目標跟蹤的具體步驟如下：

S_ij表示第j個指標下第i個傳感器的評分，|D^A|表示超冪集中元素的個數；

上述公式中的ω代表第j個指標的權重，設為1/N，N為指標個數，m^best(A_i)為完全支持A_i的基本概率賦值，即m^best(A_i)＝m(A_i)＝1；m^worst(A_i)為完全不支持A_i的基本概率賦值，即

最后，根據上述公式中計算得到的值的大小，對傳感器進行排序，傳感器對應的C(A_i,A^best)值越小，選擇該傳感器的可能性最大；

獲取最佳的傳感器A^*后，重復步驟(3)從而實現目標的跟蹤。