目標(biāo)跟蹤的最終目的是在最小的誤差下確定目標(biāo)的位置爷狈，而在無線傳感器網(wǎng)絡(luò)中要實(shí)現(xiàn)這個目的需要很多相關(guān)技術(shù)的支持，如定位技術(shù)禽绪、目標(biāo)檢測技術(shù)猾骡、估計(jì)技術(shù)、節(jié)能技術(shù)等蚜印。目標(biāo)跟蹤問題的求解有很多方法莺禁， 從算法的考慮方向上來說可以分為兩大類: 自頂向下的算法和自底向上的算法?。自頂向下的目標(biāo)跟蹤算法的核心思想是先對要跟蹤的目標(biāo)進(jìn)行恰當(dāng)?shù)慕＃?從模型出發(fā)來實(shí)現(xiàn)跟蹤目的窄赋，狀態(tài)空間方法就是一種典型的自頂向下的方法哟冬。所謂自底向上的方法楼熄， 就是指沒有現(xiàn)成的理論框架， 從實(shí)際問題出發(fā)浩峡、從得到的數(shù)據(jù)出發(fā)來實(shí)現(xiàn)對目標(biāo)的跟蹤可岂。從效果上來看， 兩種方法的跟蹤效果并沒有特別明顯的差異翰灾，但是由于自頂向下的方法有嚴(yán)格的理論框架缕粹， 便于進(jìn)行研究， 本文中主要考慮這種方法纸淮。
無線傳感器網(wǎng)絡(luò)中平斩，在特定的檢測區(qū)域布設(shè)好無線傳感器網(wǎng)絡(luò)后，網(wǎng)絡(luò)先進(jìn)行初始化咽块，對網(wǎng)絡(luò)中所有的節(jié)點(diǎn)?進(jìn)行定位绘面，然后就可以對感興趣的目標(biāo)進(jìn)行跟蹤了。
目標(biāo)跟蹤和檢測的問題描述
對于無線傳感器網(wǎng)絡(luò)中的目標(biāo)跟蹤和檢測問題糜芳， 目標(biāo)的運(yùn)動過程即狀態(tài)轉(zhuǎn)移方程通踌酰可以用一階的馬爾
科夫狀態(tài)方程來描述
式中，?xk?表示?xk －1?時刻的目標(biāo)狀態(tài)向量峭竣， 一般可能包含目標(biāo)的位置塘辅、速度、加速度等信息;?f(?xk －1) 表示目標(biāo)狀態(tài)從?xk －1?時刻到?xk?時刻的狀態(tài)轉(zhuǎn)移函數(shù)( 線性或非線性) ;?wk?表示過程噪聲向量皆撩。相應(yīng)的扣墩， 時刻的觀測方程的一般形式:
式中，?zk?表示?xk?時刻節(jié)點(diǎn)中得到的觀測向量扛吞，?h(?xk) 表示觀測函數(shù)( 線性或非線性) 呻惕，?vk?表示觀測噪聲。過程噪聲和觀測噪聲均是未知的滥比， 且不一定是均值為零的高斯白噪聲亚脆， 但是它們的概率密度一般都是知道的。有了這兩個模型后盲泛， 目標(biāo)跟蹤所要解決的問題就是根據(jù)目標(biāo)之前的狀態(tài)和得到的觀測序列來求解目標(biāo)的當(dāng)前狀態(tài)量濒持。
粒子濾波算法
粒子濾波算法的出現(xiàn)歷時半個多世紀(jì)， 最早可以追溯到?20?世紀(jì)四十年代?Metropolis?等人提出的蒙特卡洛方法(?Monte Carlo method)?20?世紀(jì)七十年代?MC?方法首次用于解決非線性濾波問題寺滚， 當(dāng)時使用的是序貫重要性采樣方法: 用一組從建議分布中采樣得到的帶權(quán)值的樣本來近似目標(biāo)狀態(tài)分布柑营，這種方法存在很嚴(yán)重的樣本權(quán)值退化問題，實(shí)際的應(yīng)用非常有限;?1993?年村视，Gordon?等人提出了重采樣的概念［6］?官套，并將重采樣引入到蒙特卡洛重要性采樣過程中有效地解決了樣本權(quán)值退化問題， 開啟了基于蒙特卡洛積分的粒子濾波算法的研究熱潮。經(jīng)過二十多年的研究和發(fā)展奶赔，如今粒子濾波算法已經(jīng)相當(dāng)成熟惋嚎，成為非線性、非高斯系統(tǒng)中的估計(jì)問題最重要的解決方法之一纺阔， 廣泛應(yīng)用于自主導(dǎo)航瘸彤、機(jī)器人視覺和目標(biāo)跟蹤等問題中?修然。
已知目標(biāo)狀態(tài)的初始分布為?p(?x0)?笛钝、它在?k －?1?時刻的后驗(yàn)概率密度分布為?p(?xk －1?z1:?k －1)?=?{?xi k －1，wi k －1}?N i =?1愕宋，結(jié)合重要性采樣和重采樣玻靡， 一般的粒子濾波算法估計(jì)?k時刻的目標(biāo)狀態(tài)向量?xk?的具體步驟如下
(?1) 初始化:?k =?0， 從?p(?x0) 中隨機(jī)抽取?N?個初始粒子 {?x0i?中贝，i =?1囤捻，2，…邻寿，N} 蝎土， 并令每個粒子的初始權(quán)值都為?1?/N。
(?2) 根據(jù)提議分布( 一般使用?SIS?算法绣否， 即取先驗(yàn)概率密度函數(shù)為提議分布) 更新粒子
(?3) 在得到?k?時刻觀測值?zk?后誊涯， 根據(jù)公式計(jì)算每個粒子的權(quán)值
(?4) 重采樣過程， 先根據(jù)公式計(jì)算有效粒子數(shù),執(zhí)行重采樣算法( 如多項(xiàng)式重采樣等) 蒜撮，否則就直接跳到第(?5) 步暴构。
(?5) 根據(jù)蒙特卡洛積分得到?k?時刻目標(biāo)狀態(tài)的估計(jì)值:
(?6) 令?k = k +?1， 得到?k +?1?時刻的觀測值后轉(zhuǎn)到步驟(?2) 段磨，直到結(jié)束取逾。
仿真結(jié)果
文檔下載：鏈接：https://pan.baidu.com/s/1IOwb2cOw3A2tvlTboVa88g
提取碼：p7a1
程序下載：鏈接：https://pan.baidu.com/s/1XA42i4oYesMWayf5ts3fWA
提取碼：juo7
解碼密碼獲取：http://t.cn/AiTjdQZq
