目标定位算法研究背景和意义

宫浩鹏 周振雄

伴随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，具有感知能力、计算能力和通信能力的微型分布传感器所组成的无线传感器网络因其潜在的广泛应用引起了人们越来越多的注意。美国的《技术评论》杂志在论述未来新兴十大技术时，将无线传感器网络列为第一项未来新兴技术，《商业周刊》预测的未来四大新技术中，无线传感器网络也列入其中。可以预计，无线传感器网络的发展和应用，将会给人类的生活和生产的各个领域带来深远影响。

利用传感器网络来实现目标的定位是其重要用途。目标的定位有巨大的意义，在探测敌方目标的入侵，运动方向，以及探测事件发生地点方面起着重要作用，为后面的正确决策以及采取相应的措施提供了有力保证。用传感器网络来进行目标的定位，主要是运用网络中的节点搜集到的关于目标的一些信息，并对信息进行一定的处理来得到目标的位置。目标定位是传感器网络最基本的功能之一，对传感器网络应用的有效性起着关键的作用。

目标定位的应用中，目标的数量往往大于1，例如：多目标跟踪、实时监视多个目标的行动路线、预测前进轨迹等。由此可见在传感器网络中，多目标定位对各种应用都有着重要的作用。因此，对传感器网络的多目标定位算法进行研究，设法提出定位快速并且准确的多目标定位算法是非常有必要的。

无线传感器网络中，传统的数据传递方法是各节点不断地把采集的原始数据传送给一个数据处理中心。然而，由于数据量太大，节点电源将很快消耗殆尽。目前已有一些针对如何减少传送数据量的研究，比如本地数据压缩、传送描述性数据代替实际数据和传送查询消息等。传输查询消息的方法即网络外部的某客戶节点向网络发送查询消息，网络在完成消息处理后给客户节点返回应答。通过精心设计消息处理算法，可以取得了很好的效果。传感器网络定位根据定位过程中是否测量实际节点之间的距离，可分为基于测距的定位和免于测距的定位。下面将列出目前目标定位算法的一些成果。

对免于测距的定位已经有了以下研究：在文献[1]中，提出了一种数学模型，这种数学模型确定了传感器网络在检测目标以及没有检测目标的情况下传感器网络的生命期。文献[2]提出了一种基于追踪（tracking—based）的目标定位算法，该算法基于这样一个事实：当目标在无线传感器网络覆盖的地理区域中移动时，其运动轨迹在时间和空间上都是连续的。一旦目标进入该区域，就已经处于某个传感器节点的监测范围中;当目标离开某个节点检测范围的同时，立即进入到其相邻节点的监测范围中，直到目标离开传感器网络所覆盖的地理区域。它利用目标的运动轨迹进行追踪，首先找到一个曾经监测到目标的节点，然后利用相邻节点间的本地消息跟踪目标的运动轨迹。

对基于测距的目标定位已经有了很多研究。对于单个目标的定位问题，已经有大量的研究成果涌现。如利用接收信号能量采用质心方法[3][4]或最大似然函数对目标进行定位[5][6];利用节点测得的DOA（Direction Of Arrival）信息采用最大似然估计对目标进行定位[7];利用节点测得的TDOA（Time Difference of Arrival）信息对目标进行定位[8][9];利用节点测得TOA（Time of Arrival）信息对目标进行定位[10][11]等。在存在多个目标的情况下，各个节点测得的参数之间缺少对应关系，从而需要首先完成参数配对，然后才能对各个目标进行定位。近几年有研究者将传感器网络目标定位问题构建成优化问题，多数算法目标参数测量值关联关系已知为前提[12][13][14]。但实际应用中，往往由于目标的非合作性，各个节点不能获得目标参数测量值的对应关系。对于未知关联关系的多目标定位问题，最直接的办法是对所有可能的配对关系进行计算，比较得出最合理的一种组合作为估计结果。但是穷举法的运算量随着节点数目和目标数目的增加呈指数增长的趋势，例如，N个节点获得K个目标的参数，可能的参数配对关系有KN种。因此，穷举法的运算量限制了其在工程实际中的应用。

参考文献

[1]M. Bhardwaj， T.Garnett and A.P.Chandrakasan，”bounding the lifetime of sensor networks  via  optimal  Role  assignments”，  Proc.IEEE infocom， Vol.3， pp.1380-1387，2001.

[2]T.Rappaport，  Wireless  Communications：  Principles  &  Practice， New Jersey ： Prentice-Hall，Inc，1996.

[3]Wang Biao， Li Yu， Huang Haining， and Zhang Chunhua.Target Localization in Underwater Acoustic Sensor Networks. IEEE Proceedings of Congress on Image and Signal Processing.2008：68-72.

[4]Y.SH. Yan， H.Y.Wang， X.H. Shen. Efficient Convex Optimization Method for Underwater Passive Source Localization Based on RSS with WSN，IEEE Proceedings of ICSPCC，2012，171-174.

[5]K.M.Kaplan， Q.Le， and P.Molnar.Maximum likelihood methods for bearing-only target localization. Proc. of IEEE ICASSP， 2001， 5： 3001-3004.

[6]郝林喆. 基于無线传感器网络的目标定位技术研究. 郑州：解放军信息工程大学， 2013：21-40.

[7]何川. 海上无线传感器网络中一种改进的定位算法. 舰船科学技术，2016，38（4A）：124-126.

[8]E. Xu， Z. Ding， and S. Dasgupta. Source localization in wireless sensor networks from signal time-of-arrival measurements. IEEE Trans. Signal Processing， 2011，59（6）：2887–2897 .

[9]吴森峰，毕坤. 基于TOA的无线传感器网络源定位算法研究，激光杂志，2016，37（1）：78-81

[10]Yan Ma， Yu Hen Hu. ML Source Localization Theory in an Underwater Wireless Sensor Array Network. Proceedings of  WiCOM ， 2009，9（5）：1-4.

[11]Yan Ma， Leilei Jin. Sensitivity Analysis of DOA Error on Least Square based Source Localization in UWSAN. Proceedings of 7th International Congress on Image and Signal Processing，2014，979-983.

[12]Xiaohong Sheng and Yu-Hen Hu. Maximum Likelihood Multiple-Source Localization Using Acoustic Energy Measurements with Wireless Sensor Networks. IEEE Trans. on Signal Processing，2005， 53（1）：44-53.

[13]Wei Meng， Wendong Xiao， and Lihua Xie. An Efficient EM Algorithm for Energy-Based Multisource Localization in Wireless Sensor Networks. IEEE Trans. on Instrumentation and Measurement， 2011，60（3）：1017-1027.

[14]Hong Shen， Zhi Ding， Soura Dasgupta and Chunming Zhao. Multiple source localization in wireless sensor networks based on time of arrival measurement. IEEE trans. on signal processing， 2014， 62（8）：1938-1949.