Local node selection for localization in a distributed sensor network

This paper discusses a new localized resource manager for a wireless sensor network of bearings-only sensors. Specifically, each node uses knowledge of the target under surveillance to determine whether it should actively collect measurements and how far to disseminate the data in order for the sensor network to maintain track of the target. At each node, the resource manager requires only knowledge of the relative location to the target for itself and the active nodes from the previous snapshot. The decentralized strategy represents a modification to the global node selection (GNS) method that exploits knowledge of the location of all nodes in the network. Simulations show that despite the lack of global network knowledge, the new localized management method is almost as effective as GNS in terms of balancing the tradeoff between energy usage and localization accuracy.     

Global node selection for localization in a distributed sensor network

This work considers the problem of selecting the best nodes for localizing (in the mean squared (MS) position error sense) a target in a distributed wireless sensor network. Each node consists of an array of sensors that are able to estimate the direction of arrival (DOA) to a target. Different computationally efficient node selection approaches that use global network knowledge are introduced. Performance bounds based on the node/target geometry are derived, and these bounds help to determine the necessary communication reach of the active nodes. The resulting geolocation performance and energy usage, based on communication distance, is evaluated for a decentralized extended Kalman filter (EKF) that is exploiting the different selection approaches.     

A Fast Global Node Selection Algorithm for Bearings-only Target Localization

In the target tracking, the nodes aggregate their observations of the directions of arrival of the target. The network then uses an extended Kalman filter （EKF） to combine the measurements from multiple snapshots to track the target. In order to rapidly select the best subset of nodes to localize the target with the minimum mean square position error and low power consumption, this paper proposes a simple algorithm, which uses the location information of the target and the network. The lower botmd of localization error is utilized according to the distances between the target and the selected active nodes. Furthermore, the direction likelihoods of the active nodes is predicted by way of the node/target bearing distributing relationships.     

航路网络生成及优化

空中交通流运行的安全性和成本取决于航路网络结构。基于节点度实现航路网络枢纽节点和干线节点分层,利用全局耦合生成主干网络,运用距离连接概率实现干线节点社区化,采用连接概率生成社区网络;采用DBSCAN聚类算法,基于角度和距离实现航路网络优化;以中国大陆空域为例,实现了主干航路网络和局部干线航路网络的生成及优化,验证了方法的可行性。在与相关研究对比,基于节点度的枢纽节点选取更加客观合理,所构建的分层航路网络结构符合机场点的分布特性,采用DBSCAN聚类算法优化效率明显提高。     

复合材料板壳任意位置处载荷识别

提出了一种受载单元判别法,根据遗传算法生成的染色体所对应的载荷作用点的横、纵坐标和每个单元四条边间的几何关系,判断出集中载荷作用的单元,再根据力的等效分配原则,把载荷等效分配到所在单元的节点上,进而基于有限元分析和遗传算法自身优越的全局搜索能力实现作用于复合材料结构网格节点或单元内部任意位置处的载荷识别.与现有的神经网络识别法和有限元反分析法相比,该方法具有能够识别非网格节点处的载荷的优点,且仿真算例表明其识别精度更高.      

一种基于能量受限的分布式多传感器管理算法

在能量受限的分布式多传感器跟踪系统中，跟踪目标的同时，需要节省能量消耗，延长系统生存周期，本文依据一种传感器节点能量消耗模型，提出了一种以能量消耗和信息增量为效用的传感器管理算法。仿真结果表明该算法能提高跟踪精度，减少能量消耗，延长系统的使用时间。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

一种基于移动辅助节点的单兵导航系统协同初始化算法

惯性导航系统凭借其自主性强、隐蔽性好、可靠性高的优势,在单兵作战、反恐救援中发挥越来越重要的作用。针对单兵惯性导航系统精度较低,在长期工作后精度下降严重,需要重新初始化的问题,以单兵与无人平台的协同作业为背景,提出了一种基于移动式辅助节点的单兵导航系统协同快速初始化方法。该方法以目标节点的角增量、位移增量信息与测距信息作为输入,采用粒子滤波技术对单兵导航系统的位置和航向进行协同估计。试验表明,该算法最少仅需1个辅助节点即可实现较好的单兵惯导系统位置和航向初始化。     

基于注意力机制和特征匹配的空对地多目标检测与跟踪算法

多目标跟踪算法是实现无人机自主导航的关键技术，为解决现有方法存在的小目标检测能力弱、计算能耗大、鲁棒性差等问题，提出一种基于注意力机制和特征匹配的多目标空对地跟踪算法，以实现航拍视角下对目标的精准高效跟踪。首先，引入通道可分离卷积，实现目标检测模型的轻量化；其次，构造融合空间注意力机制的小目标检测分支，提高对小微目标的检测精度，最后，优化目标跟踪算法的外观重识别网络，提高多目标跟踪效率。使用Visdrone2019-MOT数据集对所提算法进行验证，实验结果表明，所提算法的MOTA值提高了0.６%，FPS值为21.31帧/s，在模型大小和跟踪精度上实现了较好的平衡。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

Acoustic node calibration using a moving source

Acoustic nodes, each containing an array of microphones, can track targets in x-y space from their received acoustic signals, if the node positions and orientations are known exactly. However, it is not always possible to deploy the nodes precisely, so a calibration phase is needed to estimate the position and the orientation of each node before doing any tracking or localization. An acoustic node can be calibrated from sources of opportunity such as beacons or a moving source. We derive and compare several calibration methods for the case where the node can hear a moving source whose position can be reported back to the node. Since calibration from a moving source is, in effect, the dual of a tracking problem; methods derived for acoustic target trackers are used to obtain robust and high resolution acoustic calibration processes. For example, two direction-of-arrival-based calibration methods can be formulated based on combining angle estimates, geometry, and the motion dynamics of the moving source. In addition, a maximum likelihood (ML) solution is presented using a narrowband acoustic observation model, along with a Newton-based search algorithm that speeds up the calculation the likelihood surface. The Cramer-Rao lower bound (CRLB) on the node position estimates is also derived to show that the effect of position errors for the moving source on the estimated node position is much less severe than the variance in angle estimates from the microphone array. The performance of the calibration algorithms is demonstrated on synthetic and field data.     

基于惯性导航/无线传感器网络组合的采煤机定位方法研究

采煤机是井下综采工作面的重要设备,采煤机精确定位技术是煤矿生产装备自动化的关键技术之一。为了实现高精度定位满足井下综采自动化作业需求,提出了基于惯性导航/无线传感器网络组合的采煤机定位方法。采用锚节点安置于液压支架上,移动节点与惯导固定安装于采煤机上的配置方案,利用位置已知的锚节点测距信息估计和修正惯导误差,同时实施对安置于推进过程中的液压支架上锚节点(未知节点)位置信息的实时校准,从而达到采煤机高精度定位、无线传感器网络节点动态自动调节的目的。通过试验对所提方法的有效性进行了验证,结果表明,所釆用方法对釆煤机轨迹具有良好跟踪性能,水平定位误差不超过1.57 cm/h。     

基于迭代算法的复杂曲面零件三坐标测量快速精确定位方法

针对复杂曲面零件在三坐标测量过程中存在着定位难、定位精度低的问题,基于改进的迭代最近点算法,提出了考虑半径补偿的预定位与精定位的多级定位算法;并通过建立定位点几何误差与叶片定位精度的数学关系模型,结合贪婪算法与六点原则,给出了近优的定位点序列生成方法。结合定位算法与定位点序列,给出了复杂曲面零件定位迭代流程,并开发了三坐标测量定位系统。以涡轮叶片为例,通过的定位仿真和定位实验,结果表明:该系统只需测量12～18个点即可使得叶片定位误差在0.1mm以内,证明该系统能有效的提高复杂曲面零件的定位精度和效率。      

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于模拟退火粒子群算法的波浪发电系统最大功率跟踪控制

波浪发电系统最大功率点跟踪控制中,传统粒子群算法存在早熟收敛和局部搜索能力不足问题,为此提出基于模拟退火算法的粒子群优化方案。该算法每次更新粒子的速度和位置时,通过比较当前温度下各个粒子的适配值与随机数的大小,从所有粒子中确定全局最优解的替代值,从而使粒子群算法在发生早熟收敛时能够跳出局部最优并快速找到全局最优解。仿真结果表明,与传统粒子群优化算法相比,模拟退火粒子群算法可有效避免波浪发电系统陷入局部最大功率点,并快速实现全局最大功率跟踪,提高了波浪能捕获率。     

基于场景识别的惯性基类脑导航方法

针对无人机导航中惯性器件产生的漂移误差不断随时间累积进而影响导航精度的问题,以仿生类脑导航为研究背景,提出了一种新的导航方法。与传统导航策略不同的是,该方法从周期性校正累积位置误差的角度出发,采用设置位置细胞节点的思路,利用训练好的卷积神经网络模型在细胞节点处进行图像匹配,从而在位置细胞节点处实现惯导位置漂移误差校正。同时,建立节点之间的漂移误差模型,调整误差方程系数,以达到修正漂移误差的目的。最后,基于无人机飞行实验结果验证了该方法对自主导航的有效性和鲁棒性,该方法能够有效提高无人机导航的精度。     

一种基于多特征融合的地形匹配

提出了一种多特征融合的地形匹配算法,充分利用地形的各种不同的统计特征和几何特征,构造了一种地形匹配网络模型。通过对实时图和参考图分析,给出了计算网络节点之间的权值函数,建立了网络系统能量方程,通过求系统的最小能量得到最佳匹配位置。由于网络能融合地形的不同统计特征和几何特征,所以算法大大提高了系统的抗干扰能力和定位精度,适合于实时图容易发生畸变的地形匹配领域,实验结果表明,定位精度和抗干扰能力均优于传统的地形匹配方法。     

一种新的基于位置信息的路由算法研究

 为航空移动Ad hoc网络(MANET)提出一种基于位置信息的路由算法,即位置网格路由（LBGR）算法,以此来解决节点高速移动引起的路径重建问题。算法中,数据包沿路由发现时得到的网格轨迹进行传输,每个收到数据包的中转节点根据它与相邻节点、目的节点的位置关系及网络轨迹下游的路由网格位置决定下一跳节点。由于利用了网格位置信息,LBGR算法在航空节点高速移动和拓扑变化无法事先预测的情况下,使用较少的开销就可获得稳定的路由。仿真结果表明,与GRID路由算法相比,LBGR算法在节点中高速移动时,能够有效地减少路由开销,提高网络吞吐量。     

纯方位二维目标跟踪的航迹起始算法

 针对传统航迹起始算法在纯方位目标定位和跟踪系统应用中存在的弊端,提出了一种完全基于角度量测的快速航迹起始算法。该方法通过深入分析目标在角度坐标下的运动特性,给出了全新的关联门构造方法。该波门技术有效提高了纯方位二维目标真实量测的确认效率,极大限制了虚假航迹随密集杂波的扩张。利用此波门,通过基于逻辑的方法对仅有角度量测的目标航迹进行扩展。该方法有效地解决了角度坐标系下机动目标的航迹起始分辨率下降的问题,为基于单个被动传感器纯方位跟踪系统进行快速、准确的航迹起始提供了新的思路。仿真结果及实际应用表明了此算法的有效性和实用性。     

多飞航导弹目标协同跟踪技术研究

针对多飞航导弹对目标协同跟踪精度较低的问题,提出了一种基于弹载雷达组网和GPS/INS组合导航的无偏不敏自适应融合跟踪算法。首先,通过领弹和攻击弹的优化布站,以有效提高多飞航导弹对目标的定位跟踪精度和突防能力;在时空协同的基础上,利用无偏不敏转换对各飞航导弹的目标量测进行预处理,以减小因旋转、平移和线性化误差所带来的影响;最后,结合统计双门限判决机制,利用自适应融合跟踪算法来有效实现多飞航导弹目标协同跟踪精度的提高。仿真结果表明,与现有的弹载雷达跟踪算法相比,该算法具有较高的定位跟踪精度。