基于分布式聚類的有向傳感器網(wǎng)絡(luò)移動(dòng)目標(biāo)跟蹤算法研究*

左現(xiàn)剛，張志霞，賈　蒙

（1.河南科技學(xué)院信息工程學(xué)院，河南新鄉(xiāng)453003；2.新鄉(xiāng)學(xué)院機(jī)電工程學(xué)院，河南新鄉(xiāng)453003）

基于分布式聚類的有向傳感器網(wǎng)絡(luò)移動(dòng)目標(biāo)跟蹤算法研究*

左現(xiàn)剛1*，張志霞1，賈蒙2

（1.河南科技學(xué)院信息工程學(xué)院，河南新鄉(xiāng)453003；2.新鄉(xiāng)學(xué)院機(jī)電工程學(xué)院，河南新鄉(xiāng)453003）

針對(duì)有向傳感器網(wǎng)絡(luò)DSN（Directional Sensor Networks）中，傳感器節(jié)點(diǎn)部署數(shù)量對(duì)目標(biāo)跟蹤精度、網(wǎng)絡(luò)壽命和能效問題的影響方面，提出了一個(gè)分布式聚類算法，該算法在優(yōu)化活躍傳感器和節(jié)點(diǎn)的直接通信過程中，由分布式集群來負(fù)責(zé)協(xié)調(diào)成員間的節(jié)點(diǎn)，通過傳輸給Sink的定位信息及從多個(gè)節(jié)點(diǎn)聚集的傳感數(shù)據(jù)來準(zhǔn)確定位目標(biāo)的位置?；谠摾碚摰哪繕?biāo)跟蹤機(jī)制，提高了目標(biāo)跟蹤精度、增加了網(wǎng)絡(luò)壽命和網(wǎng)絡(luò)剩余能量。并進(jìn)行了仿真驗(yàn)證，結(jié)果表明該方法能實(shí)現(xiàn)更高的跟蹤性能。

有向傳感器網(wǎng)絡(luò)；目標(biāo)跟蹤；分布式聚類；生命時(shí)間

EEACC:7230；6210doi:10.3969/j.issn.1004-1699.2016.07.024

無線傳感器是數(shù)據(jù)處理、物理傳感及通信的一體化微型器件，有著廣泛的應(yīng)用?？煞譃槿蚝投ㄏ騼深悺Ｈ騻鞲衅骼萌蛱炀€可以探測周圍任何方向的環(huán)境，而定向傳感器的傳感和通信范圍有限，只能檢測到一個(gè)特定方向有限的視野范圍。在定向傳感器網(wǎng)絡(luò)（DSN）中，傳感器的通信區(qū)域是扇形的而不是圓形。定向傳感器能提高檢測的質(zhì)量和縮小干擾和衰落，提高網(wǎng)絡(luò)的性能及壽命［1］。

運(yùn)動(dòng)目標(biāo)跟蹤是DSN的一個(gè)重要應(yīng)用，為了達(dá)到對(duì)運(yùn)動(dòng)目標(biāo)跟蹤的良好效果，需要傳感節(jié)點(diǎn)之間的合作。無線傳感器網(wǎng)絡(luò)中移動(dòng)目標(biāo)跟蹤中的關(guān)鍵問題有：準(zhǔn)確的路徑檢測、低成本的數(shù)據(jù)報(bào)告、無數(shù)據(jù)包丟失的最佳性能、最大化的網(wǎng)絡(luò)生命周期。這些問題已經(jīng)在全向傳感器網(wǎng)絡(luò)中進(jìn)行了很好的研究［2-3］。但是這些解決方案并不適用于DSN，所以在運(yùn)動(dòng)目標(biāo)跟蹤應(yīng)用中，對(duì)傳感器方向性的研究是個(gè)新的研究領(lǐng)域。目前已經(jīng)有一些關(guān)于DSN的工程研究應(yīng)用到移動(dòng)目標(biāo)跟蹤中［4-5］，但是這些研究還有進(jìn)一步提高的必要。

文獻(xiàn)［4］使用協(xié)作DSN的方法，每個(gè)傳感器以分布式的方式實(shí)時(shí)的將運(yùn)動(dòng)目標(biāo)的近似方向信息傳給sink節(jié)點(diǎn)。提出了一種基于扇區(qū)的傳感器網(wǎng)絡(luò)目標(biāo)跟蹤，其中每個(gè)節(jié)點(diǎn)識(shí)別目標(biāo)的存在或不存在，也根據(jù)從相鄰的傳感器節(jié)點(diǎn)探測的信息來計(jì)算目標(biāo)的位置。這兩種方法增加了sink節(jié)點(diǎn)的計(jì)算開銷、冗余感測信息以及從所有節(jié)點(diǎn)接收到的錯(cuò)誤信息。文獻(xiàn)［5］使用高精度的有向傳感器檢測目標(biāo)的運(yùn)動(dòng)，其視覺范圍是一條直線。為了克服高凸優(yōu)化問題，引入了一種自適應(yīng)基礎(chǔ)算法ABA（Adaptive Basis Algorithm），ABA估計(jì)目標(biāo)的軌跡、方向及現(xiàn)場傳感線路。因此，傳感器網(wǎng)絡(luò)中sink節(jié)點(diǎn)和每個(gè)節(jié)點(diǎn)的連接是一個(gè)能量饑渴和超負(fù)荷的過程；此外，傳感節(jié)點(diǎn)之間的協(xié)調(diào)性差，到 sink節(jié)點(diǎn)信息的過度傳遞可能減少跟蹤的精度。

文獻(xiàn)［6］通過引入一個(gè)具有乘性噪聲的距離測量模型，提出了一種基于貝葉斯估計(jì)的分布式目標(biāo)跟蹤算法。該算法利用有向傳感器所感知目標(biāo)的有向感知區(qū)域信息，將目標(biāo)估計(jì)約束在限制區(qū)域內(nèi)。但其運(yùn)算成本較高。文獻(xiàn)［7］通過引入重疊質(zhì)心和有效質(zhì)心的概念，提出了一種基于虛擬勢場的有向傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法PCAFD，該算法利用與鄰居節(jié)點(diǎn)間覆蓋重疊區(qū)域的面積和位置決定節(jié)點(diǎn)所受虛擬斥力的大小和方向，逐步消除網(wǎng)絡(luò)中的覆蓋重疊區(qū)和盲區(qū)，達(dá)到快速提高網(wǎng)絡(luò)覆蓋率的目的；但該算法僅僅解決了邊界情況中的節(jié)點(diǎn)往復(fù)運(yùn)動(dòng)的問題。文獻(xiàn)［8］提出了使用中心節(jié)點(diǎn)收集網(wǎng)絡(luò)中所有傳感器關(guān)于目標(biāo)的二進(jìn)制信息，再對(duì)這些信息使用粒子濾波器后來更新目標(biāo)的軌跡。但是，單個(gè)節(jié)點(diǎn)要傳輸每一個(gè)傳感器的信息需要很大的能量供給。所以這種集中方法是不可靠的，而且，粒子濾波器需要的計(jì)算量很大。文獻(xiàn)［9-11］改進(jìn)了基于每個(gè)傳感器和目標(biāo)距離的權(quán)重來檢測目標(biāo)的算法。作者提出了一種近似線性模型，該模型通過為目標(biāo)當(dāng)前的測量軌跡分配一個(gè)靈活窗口并使用一個(gè)直線段來表示目標(biāo)在該窗口中的軌跡。此算法通過計(jì)算傳感器的加權(quán)平均來檢測目標(biāo)，也作為目標(biāo)路徑上的估計(jì)值，每個(gè)估計(jì)點(diǎn)都是從最近路徑確定和估計(jì)目標(biāo)的速度，線性方程式有助于確定目標(biāo)的位置。然而這種方法需要在網(wǎng)絡(luò)中保持時(shí)間同步，計(jì)算也非常復(fù)雜，跟蹤不是實(shí)時(shí)的。

本文使用有向傳感器網(wǎng)絡(luò)提出了一種基于分布式集群的算法，能提高跟蹤的精度和可靠性。該算法設(shè)計(jì)一個(gè)DSNs中聚類算法，該聚類算法使用簇頭來執(zhí)行目標(biāo)跟蹤算法。①為了解決通信開銷，在網(wǎng)絡(luò)部署階段，本文引入分布式聚類方法。以分布方式選擇一個(gè)簇頭，選擇其中一個(gè)簇頭為網(wǎng)關(guān)節(jié)點(diǎn)用于和sink的通信。簇頭計(jì)算目標(biāo)的位置并和sink進(jìn)行連通。因此，降低了網(wǎng)絡(luò)流量和能量損耗。②為了增加網(wǎng)絡(luò)的壽命和節(jié)省能源，開發(fā)有源節(jié)點(diǎn)選擇算法，開始，為了使用最小數(shù)量的有源節(jié)點(diǎn)覆蓋整個(gè)群集區(qū)域，每個(gè)簇頭都運(yùn)行該算法。當(dāng)檢測到目標(biāo)的存在后，簇頭喚醒相鄰休眠節(jié)點(diǎn)，最后，協(xié)議中規(guī)定計(jì)算位置及和sink的通信由簇頭完成。簇頭是通過從集群成員收集目標(biāo)的檢測信息完成的。

1　網(wǎng)絡(luò)模型

假設(shè)有向傳感器網(wǎng)絡(luò)（DSN）是由N個(gè)固定的傳感器節(jié)點(diǎn)放置在一個(gè)有限的二維平面區(qū)域組成的。傳感器采用均勻分布和高密度隨機(jī)部署，從而保持覆蓋和連接。節(jié)點(diǎn)依靠數(shù)據(jù)通信網(wǎng)絡(luò)形成簇，從而使簇頭可以以多跳方式和sink節(jié)點(diǎn)進(jìn)行數(shù)據(jù)通信［12-13］。

假定傳感器可靠地檢測目標(biāo)的存在，即如果一個(gè)目標(biāo)的位置在一個(gè)傳感器的感測范圍之內(nèi)就會(huì)被記錄。傳感器和sink通信并發(fā)送決定目標(biāo)位置的感測數(shù)據(jù)到簇頭。

在網(wǎng)絡(luò)部署階段，每個(gè)節(jié)點(diǎn)由一個(gè)三元組＜ID，（x，y），Einit＞定義，其中ID是節(jié)點(diǎn)的唯一標(biāo)識(shí)碼，（x，y）是傳感器的坐標(biāo)。Einit是其傳感器的剩余能量。通過鄰居發(fā)現(xiàn)協(xié)議［13］，每個(gè)節(jié)點(diǎn)都知道和它相鄰節(jié)點(diǎn)的上述三元組信息。

2　MTDC架構(gòu)

基于分布式集群的運(yùn)動(dòng)目標(biāo)跟蹤（MTDC）機(jī)制由如下組件組成：簇群的形成算法，網(wǎng)關(guān)節(jié)點(diǎn)的選擇機(jī)制，主動(dòng)感知節(jié)點(diǎn)及其傳感方向的確定，基于簇頭的目標(biāo)跟蹤算法。

2.1集群的形成

MTDC集群形成算法須實(shí)現(xiàn)以下3個(gè)目標(biāo)：①為了保證網(wǎng)絡(luò)壽命的最大化，必須確保平衡網(wǎng)絡(luò)節(jié)點(diǎn)之間的能量消耗；②增加每個(gè)集群成員的數(shù)量，以使形成網(wǎng)絡(luò)的集群個(gè)數(shù)減少；③減少從簇頭向sink傳輸數(shù)據(jù)包的過程中跳躍的次數(shù)，因此，通過將剩余能量，相鄰節(jié)點(diǎn)的數(shù)量和到sink的距離這3個(gè)指標(biāo)進(jìn)行線性組合成一個(gè)集成指標(biāo)。

集群的形成是在部署網(wǎng)絡(luò)節(jié)點(diǎn)之后開始的。由前面描述知道：每個(gè)節(jié)點(diǎn)都知道它的相鄰節(jié)點(diǎn)的標(biāo)識(shí)碼，剩余能量和坐標(biāo)（x，y）位置。每個(gè)節(jié)點(diǎn)可以計(jì)算在每一個(gè)扇區(qū)s∈Ψc中所擁有的相鄰節(jié)點(diǎn)的數(shù)量ni，s，以及到sink的距離d（i，sink）。首先，每個(gè)節(jié)點(diǎn)i∈N計(jì)算它在扇區(qū)s∈Ψc，（Wi，s）中簇的權(quán)重，及其所有的相鄰節(jié)點(diǎn)。

其中 w1，w2，w3是權(quán)重因子，w1＞w1＞w1，w1+w1+ w1=1，是傳感器i擁有的最大相鄰節(jié)點(diǎn)數(shù)，由下式確定。

然后，每個(gè)節(jié)點(diǎn)i∈N檢測以下情況：

如果式（3）對(duì)所有的節(jié)點(diǎn)i∈N成立，那么它把自己作為簇頭，式（1）確保每個(gè)相鄰的環(huán)境中，根據(jù)剩余能量、鄰居節(jié)點(diǎn)數(shù)目及與sink距離的權(quán)重系數(shù)w1，w2和w3的線性加權(quán)的組合計(jì)算，決定具有最高w值的節(jié)點(diǎn)被選為簇頭。剩余能量被給予最高權(quán)重（w1），而距離因子給予最低權(quán)重（w3）。第一項(xiàng)有助于確保網(wǎng)絡(luò)節(jié)點(diǎn)之間能源消耗的平衡，而第二項(xiàng)減少網(wǎng)絡(luò)中形成簇的數(shù)目；最后，第三項(xiàng)減少為了給sink傳遞數(shù)據(jù)包所需要跳躍的數(shù)目，這樣，具有較高的剩余能量、較多的相鄰節(jié)點(diǎn)及和sink之間具有較短距離的節(jié)點(diǎn)，將被選為簇頭并具有較高的優(yōu)先級(jí)，即在多個(gè)具有和sink相同距離及相鄰節(jié)點(diǎn)的簇中，具有最高剩余能量的將被選為簇頭。

CH計(jì)算選擇朝向匯聚節(jié)點(diǎn)（sink）的工作通信扇區(qū)，每個(gè)簇頭發(fā)送簇成員的請(qǐng)求CH_REQUEST消息到所有鄰近節(jié)點(diǎn)，該消息包括簇頭標(biāo)識(shí)碼、工作通信扇區(qū)標(biāo)識(shí)碼及通信扇區(qū)的設(shè)置。

如果 j∈ncH，s收到了簇頭的 CH_REQUEST消息，則j將其通信方向面向簇頭。然后給簇頭發(fā)送包含節(jié)點(diǎn)ID、簇頭ID的簇頭確認(rèn)信息（CH_CONFIRM）。之后，使用式（1）更新自身和鄰居的W參數(shù)。如果一個(gè)節(jié)點(diǎn)收到了從多個(gè)不同簇頭發(fā)來的請(qǐng)求信息（CH_REQUEST），則加入和其最近的簇。

集群的形成過程如算法1所示。示例如圖1所示，B有最大的W值，選為集群的頭，成員有C和D。同樣的，A節(jié)點(diǎn)創(chuàng)建了一個(gè)包括E和F的集群。

圖1　集群的形成

2.2網(wǎng)關(guān)的選擇

集群形成后，集群間數(shù)據(jù)通信需要選擇網(wǎng)關(guān)。網(wǎng)關(guān)幫助建立數(shù)據(jù)通信的網(wǎng)絡(luò)骨干。由簇頭選擇作為和其他集群通信之用。傳感器i如果能直接和附近的簇頭或者通過該簇頭中的成員直接通信，則作為簇頭的候選網(wǎng)關(guān)節(jié)點(diǎn)，假定接收天線是全方位的。簇頭A為所有的備選網(wǎng)關(guān)節(jié)點(diǎn)按照如下公式計(jì)算網(wǎng)關(guān)選擇權(quán)重（G）

其中w1，w2，w3是權(quán)重因子，w1＞w2＞w3，w1+w2+ w3=1。當(dāng)節(jié)點(diǎn)滿足下列情況時(shí)，簇頭選擇傳感器節(jié)點(diǎn)i作為網(wǎng)關(guān)節(jié)點(diǎn)。

因此，因?yàn)楣?jié)點(diǎn)i使用單跳鄰里信息具有最高的G值，簇頭選擇節(jié)點(diǎn)i作為網(wǎng)關(guān)，簇頭k廣播一個(gè)網(wǎng)關(guān)請(qǐng)求信息GW_REQUEST，該信息包括網(wǎng)關(guān)節(jié)點(diǎn)ID和網(wǎng)關(guān)工作通信扇區(qū)ID，該網(wǎng)關(guān)和其他所有集群成員節(jié)點(diǎn)都知道這個(gè)選擇。被選擇的網(wǎng)關(guān)給其他的簇頭發(fā)送一個(gè)網(wǎng)關(guān)確認(rèn)信息GW_CONFIRM。

一個(gè)網(wǎng)關(guān)選擇過程的例子如圖2所示。A和B分布是集群1和2的簇頭。節(jié)點(diǎn)成員X和Y在兩個(gè)集群的公共區(qū)域，這兩個(gè)節(jié)點(diǎn)作為候選網(wǎng)關(guān)節(jié)點(diǎn)。和其他所有的候選節(jié)點(diǎn)相比，節(jié)點(diǎn)Y具有最高的G，因此，選擇Y作為和下跳集群通信的網(wǎng)關(guān)節(jié)點(diǎn)。

圖2　網(wǎng)關(guān)節(jié)點(diǎn)的選擇

2.3集群區(qū)域覆蓋

通信骨干網(wǎng)構(gòu)造完成后，每個(gè)簇頭選擇一些活躍節(jié)點(diǎn)，開始這些活躍節(jié)點(diǎn)將保持清醒狀態(tài)。集群中的其他節(jié)點(diǎn)將處于睡眠模式以節(jié)省能源。

2.3.1邊界區(qū)域的覆蓋

由于存在一些區(qū)域被有向傳感器節(jié)點(diǎn)重疊覆蓋的概率較高，目標(biāo)機(jī)制是通過減少重復(fù)覆蓋的范圍及簇邊界區(qū)域內(nèi)的活躍傳感器節(jié)點(diǎn)的數(shù)量。因?yàn)榇仡^知道其成員節(jié)點(diǎn)的位置，就可以判斷該組傳感器的節(jié)點(diǎn)BCH是用于邊界區(qū)域覆蓋的候選節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)i∈BCH須滿足以下條件：

其中x是在邊界圓弧或直線的上任何點(diǎn)。條件（6）意味著至少節(jié)點(diǎn)i∈BCH及扇區(qū)s∈Ψs可以覆蓋簇邊界的一些區(qū)域。問題歸結(jié)到從BCH選擇最小數(shù)量的節(jié)點(diǎn)覆蓋在群集邊界區(qū)域上面，這完全是一個(gè)NP問題［14］。因此，提出一種貪婪的解決方法。

簇頭使用式（7）在所有節(jié)點(diǎn)i∈BCH中尋找其覆蓋區(qū)域和鄰近節(jié)點(diǎn)（記為 ζB）沒有重疊區(qū)域的節(jié)點(diǎn)。

如果節(jié)點(diǎn)i沒有覆蓋其相鄰節(jié)點(diǎn)j，則overlap（i，j）返回0，否則返回1，如圖3所示，k節(jié)點(diǎn)是簇頭，節(jié)點(diǎn)j在點(diǎn) p1j（x1j，y1j）和（x2j，y2j），節(jié)點(diǎn)i在 p1j（x1j，y1j）和（x2i，y2i）和簇的邊沿交叉。節(jié)點(diǎn)i和節(jié)點(diǎn)j互有覆蓋。因此，overlap（i，j）可以使用式（8）測試并且返回相應(yīng)的結(jié)果。

圖3　邊界的重疊覆蓋

得到結(jié)果后，CH激活剩余所有沒有和其他節(jié)點(diǎn)相覆蓋的節(jié)點(diǎn)，并放入活躍節(jié)點(diǎn)鏈表中，然后，MTDC在第二步驟中，基于覆蓋面積和邊界區(qū)域覆蓋機(jī)制，MTDC使用一種貪婪方法激活節(jié)點(diǎn)。CH調(diào)整剩余的覆蓋邊界，采用覆蓋區(qū)域降序的排列。

3　仿真分析

通過在matlab中仿真分析實(shí)時(shí)分布式目標(biāo)跟蹤（RDTT）［4］、自適應(yīng)基礎(chǔ)算法［5］和基于分布式聚類算法（MTDC）在移動(dòng)目標(biāo)跟蹤方面的性能比較。包塊目標(biāo)跟蹤的精度、剩余能量的標(biāo)準(zhǔn)差及網(wǎng)絡(luò)的壽命。仿真區(qū)域?yàn)?00 m×100 m，傳感節(jié)點(diǎn)數(shù)量200個(gè)～1 000個(gè)，移動(dòng)目標(biāo)的數(shù)量1個(gè)～5個(gè)，傳輸范圍100 m，感知范圍50 m，基于運(yùn)動(dòng)目標(biāo)的一般性，這里設(shè)定目標(biāo)的運(yùn)動(dòng)軌跡為在半徑為2 m的圓上做圓周運(yùn)動(dòng)，速度大小為1 m/s～6 m/s，仿真時(shí)間1 000 s，以下從傳感器節(jié)點(diǎn)部署的數(shù)量在目標(biāo)跟蹤的精度、剩余能量的標(biāo)準(zhǔn)差及網(wǎng)絡(luò)壽命方面進(jìn)行分析。

以下是通過200 m/s～1 000個(gè)不同方向的傳感器來測量之前討論的性能指標(biāo)，扇區(qū)數(shù)保持在5個(gè)。

圖4（a）顯示在目標(biāo)跟蹤精度的比較，從一個(gè)目標(biāo)的實(shí)際路徑的測量偏差方面有著顯著的改進(jìn)。從圖中也可以看出，和RDTT、ABA比較，因?yàn)镃H需要協(xié)調(diào)和匯總來自傳感器節(jié)點(diǎn)的目標(biāo)跟蹤信息，并檢測可能的最佳路徑，目標(biāo)的跟蹤精度隨傳感器部署數(shù)量的增加而增加，這是因?yàn)椋?dāng)有很多節(jié)點(diǎn)的時(shí)候，目標(biāo)將被更大數(shù)量的節(jié)點(diǎn)跟蹤，從而跟蹤的準(zhǔn)確率會(huì)更高。所以，本文提出的算法在這方面表現(xiàn)出了更好的性能。

圖4（b）顯示節(jié)點(diǎn)剩余能量的標(biāo)準(zhǔn)偏差隨著署在網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)量的增加而降低。因?yàn)镽DTT和ABA在選擇簇頭、網(wǎng)關(guān)和主動(dòng)感測節(jié)點(diǎn)時(shí)不考慮節(jié)點(diǎn)的剩余能量水平，因此增加了不平衡能量消耗，另外，在MTDC算法中為了確保能源消耗的平衡而不斷的選擇和更新剩余能量的閾值，因此和RDTT和ABA算法比較，本文提出的MTDC算法得到了更好的結(jié)果。

圖4（c）顯示由MTDC、RDTT和ABA算法提供的網(wǎng)絡(luò)生命周期的比較。如理論預(yù)期一樣，網(wǎng)絡(luò)壽命隨著所研究協(xié)議中部署的傳感器數(shù)量線性增加。和RDTT和ABA的算法相比，由于MTDC算法使用聚類方法激活最初的幾個(gè)節(jié)點(diǎn)，降低了網(wǎng)絡(luò)開銷和面積覆蓋率，取得較好的生命周期。

圖4　傳感器節(jié)點(diǎn)部署數(shù)量的影響

4　結(jié)論

本文提出了以分布式集群為基礎(chǔ)的運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)。在MTDC系統(tǒng)中，首先確定簇頭和網(wǎng)關(guān)，然后每個(gè)CH通過激活一些相鄰區(qū)域的傳感節(jié)點(diǎn)，解決區(qū)域的覆蓋問題。通過在MTDC系統(tǒng)中形成的簇頭收集來自成員節(jié)點(diǎn)的有效數(shù)據(jù)，來提高目標(biāo)的跟蹤精度。另外通過減少向匯節(jié)點(diǎn)發(fā)送數(shù)據(jù)的數(shù)量，來降低網(wǎng)絡(luò)帶寬的浪費(fèi)，增加網(wǎng)絡(luò)的壽命。

［1］ 任勇默，范興剛，車志聰，等.一種有向傳感器網(wǎng)絡(luò)柵欄覆蓋增強(qiáng)算法［J］.傳感技術(shù)學(xué)報(bào)，2015，28（7）：1051-1057.

［2］ Bapat S，Kulathumani V，Arora A.Reliable Estimation of Influence Fields for Classification and Tracking in Unreliable Sensor Networks［C］//Proceedings of the 24th IEEE Symposium on Reliable Distributed Systems，Orlando，F(xiàn)L，USA，26-28 October 2005：60-69.

［3］ 陳常超，孫力娟，韓崇，等.有向傳感網(wǎng)分塊區(qū)域p-覆蓋節(jié)點(diǎn)調(diào)度算法研究［J］.傳感技術(shù)學(xué)報(bào)，2015，28（1）：107-114.

［4］ Wang Z，Bulut E，Szymanski B K.Distributed Target Tracking with Directional Binary Sensor Networks［C］//Proceedings of the 28th IEEE Conferenceon Global Telecommunications，Honolulu，HI，USA，30 November-4 December 2009：1-6.

［5］ Plarre K，Kumar P.Tracking Objects with Networked Scattered Directional Sensors［J］.EURASIP J Adv Signal Process，2008：74.

［6］ 胡小青，胥布工，劉永桂，等.分布式的有向傳感器網(wǎng)絡(luò)目標(biāo)跟蹤算法［J］.華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2013（9）：8-14.

［7］ 戴寧，毛劍琳，付麗霞，等.基于虛擬勢場的有向傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法［J］.計(jì)算機(jī)應(yīng)用研究，2014（3）：905-907.

［8］ Teng J，Snoussi H，Richard C.Binary Variational Filtering for Target Tracking in Sensor Networks［C］//Proceedings of the IEE/SP 14th Work shopon Statistical Signal Processing（SSP'07），Madison，WI，USA，26-29 August 2007：685-689.

［9］ Liu L，Zhang X，Ma H D.Exposure-Path Prevention in Directional Sensor Networks Using Sector Model Based Percolation［C］//Proc of the IEEE ICC 2009.New York：IEEE Press，2009：2707-2711.

［10］Wang Y，Cao G H.Minimizing Service Delay in Directional Sensor Networks［C］//Proc of the IEEE INFOCOM 2011.New York：IEEE Press，2011：1790-1798.

［11］譚勵(lì)，楊朝玉，楊明華，等.改進(jìn)的非均勻有向傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署方法［J］.傳感技術(shù)學(xué)報(bào)，2015，28（12）：1835-1840.

［12］Dutta P，Culler D.Practical Asynchronous Neighbor Discovery and Rendezvous for Mobile Sensing Applications［C］//Proceedings of the 6th ACM Conference on Embedded Network Sensor Systems（SenSys'08），Raleigh，CA，USA，5-7 November 2008；ACM：New York，NY，USA，2008：71-84.

［13］Jo Y，Jung I.Analysis of Vehicle Detection with WSN-Based Ultrasonic Sensors［J］.Sensors，2014，14：14050-14069.

［14］Ai J，Abouzeid A A.Coverage by Directional Sensors in Randomly Deployed Wireless Sensor Networks［J］.J Comb Optim，2006（11）：21-41.

左現(xiàn)剛（1976-）男，河南開封，碩士，研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)，zuoxg2002@ 163.com；

張志霞（1982-），女，河南平頂山，碩士，研究方向?yàn)橹悄苄盘?hào)處理、圖像處理；

賈蒙（1981-），男，河南新鄉(xiāng)，博士，副教授，研究方向?yàn)榉蔷€性信號(hào)處理。

Moving Target Tracking Algorithm Based on Distributed Clustering in Directional Sensor Networks*

ZUO Xiangang1*，ZHANG Zhixia1，JIA Meng2
（1.Department of Information Engineering，Henan Institute of Science and Technology，Xinxiang He'nan 453003，China；2.Department of Electrical Engineering，Xinxiang College，Xinxiang He'nan 453003，China）

According to the effect of the amount of sensor node for the target tracking accuracy and residual energy and network lifetime in the directional sensor networks，a distributed clustering algorithm is proposed.During the process of optimizing and activating the direct communication between sensors and nodes，the algorithm uses the distributed cluster to coordinate the nodes among the members.And accurate positioning of the target can be realized according to the location information transmitted to the sink and the sensing data from the multiple nodes. Based on the target tracking mechanism of this theory，the network lifetime and residual energy is increased，and the target tracking accuracy in the network is improved.The simulation results show that the method proposed in this paper can achieve higher performance compared with other new methods.

directional sensor networks；target tracking；distributed clustering；life time

TP393

A

1004-1699（2016）07-1096-06

項(xiàng)目來源：國家自然科學(xué)基金項(xiàng)目（61501391）

2015-11-17修改日期：2016-03-18