二值传感器网络多目标跟踪关键问题研究

二值传感器网络节点的感知输出只有0、1，信息相对匮乏，要进行有效的多目标跟踪，就必须解决分布式、自适应的分簇协同及准确高效、轻量级的数据关联两个关键科学问题。拟针对上述两个问题开展研究：以似真和冲突推理理论（DSmT）为切入点研究多目标跟踪中观测值的不确定性和未知性，将多目标跟踪中的数据关联问题转化为不确定证据推理问题，构造描述关联不确定性的置信度函数，设计DSmT组合规则的改进和简化策略，提出基于改进DSmT的准确高效、轻量级数据关联算法；借鉴群体智能优化的思想，将分簇协同问题映射为分布式群体智能优化问题，构造综合考虑信息收益与资源消耗的性能指标函数，建立从传感器网络节点到智能个体的映射模型，提出基于群体智能的分簇协同算法，分析算法的收敛性、复杂度等综合性能，实现簇首的自适应生成及成员的分布式唤醒；以车辆跟踪为具体应用背景和技术牵引，在已构建的实验平台上完成算法的实验验证和性能分析。

随着物联网、传感网技术的迅速发展，利用二值传感器网络进行多目标跟踪在战场感知、交通信息获取等大量应用领域发挥着越来越重要的作用，这就迫切需要解决分布式、自适应的分簇协同及准确高效、轻量级的数据关联等关键科学问题。本项目在前人研究的基础之上，围绕数据关联与分簇协同算法等问题进行实验研究和理论分析。本项目取得的成果包括：a) 基于证据理论的无线传感器网络信息融合方法，可满足传感网高冲突信息融合、轻量级的需求；b) 基于证据理论的无线传感器网络多目标跟踪分层数据关联方法，可以降低簇首节点计算资源的开销，减少网络内传输感知数据的通信开销，均衡网络内各节点能量消耗，从而延长监控网络的寿命；c) 面向二值传感器网络多运动目标跟踪的群体智能唤醒算法，可以实现二值无线传感器网络多目标跟踪参与节点的动态唤醒，有效合理的节省了能量开销，从而延长了网络寿命；d) 传感网感知系统分布式信息融合模型，从统一考虑分布式数据采集和处理、交互协同、训练学习和历史感知数据的角度，系统地分析了传感网中感知智能性的问题，建立传感网感知系统的信息融合模型；e) 面向无线传感器网络交通信息获取的多目标协同跟踪系统设计与实现，通过多节点间的协同处理，实现目标跟踪，从而实时准确的获取交通信息。在本项目的支持下，在国际、国内期刊会议上发表学术论文17 篇，包括本领域顶级会议ACM Sensys论文1篇，IEEE Transactions期刊论文2篇，SCI期刊4篇，论文分别获得第六届中国传感器网络学术会议优秀论文、第三届中国信息融合大会优秀论文一等奖等学术奖励；提交发明专利2项。