WSNs中基于隐马尔科夫模型的目标识别问题研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (22): 228-232.

WSNs中基于隐马尔科夫模型的目标识别问题研究

杨明霞1，3，王万良1，2，邵鹏飞1，4

1.浙江工业大学信息学院，杭州 310023
2.浙江工业大学计算机学院，杭州 310023
3.衢州学院电气与信息工程学院，浙江衢州 324000
4.浙江万里学院电子信息学院，浙江宁波 315100

出版日期:2015-11-15 发布日期:2015-11-16

Target classification based on hidden Markov model in Wireless Sensor Networks

YANG Mingxia1，3, WANG Wanliang1，2, SHAO Pengfei1，4

1.College of Information, Zhejiang University of Technology, Hangzhou 310023, China
2.College of Computer Science, Zhejiang University of Technology, Hangzhou 310023, China
3.Quzhou University, Quzhou, Zhejiang 324000, China
4.Zhejiang Wanli University, Ningbo, Zhejiang 315100, China

Online:2015-11-15 Published:2015-11-16

摘要/Abstract

摘要： 由于无线传感器网络（Wireless Sensor Networks，WSNs）资源受限，如何有效利用资源，提高目标辨别的准确度，是WSNs中目标识别系统的研究难题。以隐马尔科夫模型为分类框架，对一个声音传感器阵列节点簇内的目标识别问题进行建模；基于节点信号的空间关联性，改进了子节点Viterbi最大似然序列的计算状态，设置了子节点报送间隔，从而有效地判别局部状态。实验证明，改进后的算法在维持判别正确率的同时降低信息传输量10%以上。

关键词: 目标识别, 无线传感器网络, 隐马尔可夫模型, 维特比算法

Abstract: It is challenging to classify multiple targets in wireless sensor networks based on the time-varying and continuous signals. In this paper, Hidden Markov Model is utilized as a framework for classification. The states in the HMM represent various combinations of vehicles of different types. With a sequence of observations, Viterbi algorithm is used at each sensor node to estimate the most likely sequence of states. Simulation results show that it reduce transmission more than 10% while maintaining identification rate.

Key words: target classification, wireless sensor networks, hidden Markov models, Viterbi

杨明霞1，3，王万良1，2，邵鹏飞1，4. WSNs中基于隐马尔科夫模型的目标识别问题研究[J]. 计算机工程与应用, 2015, 51(22): 228-232.

YANG Mingxia1，3, WANG Wanliang1，2, SHAO Pengfei1，4. Target classification based on hidden Markov model in Wireless Sensor Networks[J]. Computer Engineering and Applications, 2015, 51(22): 228-232.

[1]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[2]	孙泽宇，董汉磊，苏艳超，徐琛，聂雅琳，李传锋. 传感网中基于能量有效的多参数数据重构方法[J]. 计算机工程与应用, 2021, 57(11): 103-110.
[3]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[4]	龚本灿，周峰，陈鹏，任东. 基于路径质量的无线传感网路由协议[J]. 计算机工程与应用, 2020, 56(6): 99-104.
[5]	续晓丽，刘从峰，范广宇. 多尺度特征融合的二维编码图像识别[J]. 计算机工程与应用, 2020, 56(20): 165-172.
[6]	付佐毅，周世杰，李顶根. 轻量级目标识别深度神经网络及其应用[J]. 计算机工程与应用, 2020, 56(18): 131-136.
[7]	刘有用，张江梅，王坤朋，冯兴华，杨秀洪. 不平衡数据集下的水下目标快速识别方法[J]. 计算机工程与应用, 2020, 56(17): 236-242.
[8]	郑祖朋，汪祖民，彭杨，季长清，秦静. 能量采集传感器网络中MAC协议研究综述[J]. 计算机工程与应用, 2020, 56(15): 24-29.
[9]	韩雨涝. 非并行二分法的覆盖空洞修复算法[J]. 计算机工程与应用, 2020, 56(12): 87-92.
[10]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[11]	朱瑞金，龚雪娇，唐波. 分布式混合压缩感知无线传感器网络数据收集[J]. 计算机工程与应用, 2019, 55(6): 73-80.
[12]	乔冉，闫江毓，唐良瑞. 基于多维高斯的无线传感器网络定位算法[J]. 计算机工程与应用, 2019, 55(23): 99-104.
[13]	王艳娇，唐琦. 改进的异构无线传感器网络路由能量算法[J]. 计算机工程与应用, 2019, 55(22): 80-85.
[14]	贾志淳，卢元，李想，邢星. 一种多参数的Web服务选择方法[J]. 计算机工程与应用, 2019, 55(21): 74-78.
[15]	韩雨涝. 面向带状无线传感网低延迟可靠数据收集算法[J]. 计算机工程与应用, 2019, 55(21): 104-109.