摘要：在无线传感器网络中，目标的运动无规律可循，难以选取合理的数据对其进行预测，且在跟踪过程中易发生目标丢失的现象，不利于对目标的监测.通过分析目标运动趋势的变化特点，提出多级簇头结构和目标丢失的恢复策略，并改进线性拟合算法，选取某一阶段内的数据作为预测的数据源，以提高跟踪精度，降低目标丢失率.仿真结果表明，改进算法能够更充分地利用历史数据，在跟踪精度和目标丢失率方面具有良好的性能.

1 引言利用传感器节点进行目标跟踪时环境不受限制，使得其应用越来越多地受到各个领域的关注.对目标跟踪算法的研究主要体现在目标定位和预测两个阶段.其中宋超凡，董慧颖。基于传感器网络的分段线性拟合跟踪算法研提出基于线性拟合的算法，利用之前得到的两个定位坐标建立预测模型，方法简单但是没有充分利用网络中所有的可用信息；文献4中提出基于粒子滤波的算法，虽然充分利用了网络中的所有信息，但是需要大量的数据迭代计算，高能耗.高计算复杂性，不适合在能量有限的传感器节点上应用；而基于簇结构的算法将网络中的传感器节点分为许多簇，定位和预测都是以簇为单位进行，根据当前簇内的驻留时间和移动距离进行目标预测，将定位和预测限制在簇范围内.

在基于线性拟合的算法中较传统的算法是根据k 和k+1时刻的测量值来预测k+2 时刻的位置，易造成预测不准确及目标节点丢失的现象，但是对于传感器网络来说能量因素至关重要，因此应在计算复杂度低的前提下想方设法提高跟踪定位精度.本文基于线性拟合的思想，分析跟踪过程中的特点，选择合适的预测数据并采用多簇头结构，以提高跟踪精度.降低目标丢失率.

2 相关工作

2.1 预测数据选取

目标运动轨迹虽然无规律可寻，但在相当长的一段时间内它的运动趋势保持不变.如图1 所示，为目标在二维平面上沿X 轴正向运动时的情况（图中轨迹为任意曲线，为描述方便当目标发生转弯时称其为到达极值点）.可见目标在两个极值点之间时，沿X 轴和Y 轴的增减性不变；当到达极值点时，沿X 轴或Y 轴的增减性将会发生变化.既然目标在两个极值点之间运动趋势不变，可以根据这段时间内的历史数据来预测该段轨迹，即利用趋势相同的一段数据来预测目标节点下一位置，此时将极值点作为分界线.

运用符号函数来判断是否到达极值点.如图1 所示，当目标沿X轴正向运动时，若满足Sgn（xi-xi-1）* Sgn（yi-yi-1）==Sgn（xi+1-xi）* Sgn（yi+1-yi），则说明目标未到达极值点，相反则说明目标到达极值点；当目标反向运动时，X 轴和Y 轴的增减性同时变化.

集合F 用于存放预测所需的历史数据.在到达第一个极值点之前可以用（x1,y1）.（x2,y2）…（xi,yi）来预测（xi+1,yi+1）的位置，此时集合F={（xr,yr）|r=1,2,…，i}.利用符号函数判断目标是否达极值点，若到达极值点，即Sgn（xi-xi-1）*Sgn（yi-yi-1）/Sgn（xi+1-xi）* Sgn（yi+1-yi），则清空集合F中的所有数据项，将当前定位坐标及前一次的定位坐标放于F中，组成新的数据信息集合；否则，不断地向集合F中加入新的数据项.

2.2 多级簇头结构

利用不同级别的簇头在不同阶段完成不同的任务，最终达到提高定位跟踪精度.降低目标丢失率的目的，将簇头分为：主簇头.辅助簇头和预备簇头.

主簇头的选取需要兼顾剩余能量及与目标节点距离两个因素，且应选择能量较大.与目标距离近的节点作为主簇头.设当前簇头i 的剩余能量为Ei,测得与目标的距离为Di,根据式（1）计算簇头i 的阈值Ti: