WSN encompasses a significant number of sensor nodes that were generally fortified
by sensing, processing as well as communication competences. Such equipment’s,
gather conservational data using their sensors, besides, send such information to the
base station. Considering that in these types of networks there is restricted electricity
capacity and it is usually impossible to revitalize or substitute dead nodes; therefore,
energy management is of considerable significance at such types of systems.
Different methods are suggested and proved for tracking the targets in such a
network using various techniques as well as evolutionary algorithms. Many types of
research have tried to improve the performance of each of these methods. Among the
presented methods, methods that can estimate the subsequent position of the goal at
the next period and in terms of specific techniques are more efficient. By predicting a
target move, only a portion of the network nodes should be involved for tracking in
the next period, resulting in a significant reduction in energy consumption. In this
thesis, a new method is presented for target tracking with the use of Kalman filtering
and machine learning. The proposed method results in a network with better
performance and less energy consumption.
Keywords: Kalman filtering, WSN, Estimation and prediction, Target Tracking.
ÖZ:
Kablosuz sensör ağları, genellikle algılama, işleme ve iletişim yetenekleriyle
donatılmış çok sayıda sensör düğümünden oluşur. Sensör düğümleri, sensörlerini
kullanarak çevresel bilgileri toplar ve baz istasyonuna gönderir. Bu tip ağlarda sınırlı
enerji depolanması olduğunu ve ölü düğümlerin yeniden şarj edilmesi ya da
değiştirilmesinin genellikle imkansız olduğunu göz önünde bulundurarak [1]; bu
nedenle, enerji yönetimi bu tür şebekelerde önemli noktalardan biridir. Evrimsel
algoritmaların yanı sıra, çeşitli teknikler kullanarak bu tür bir ağdaki hedefleri
izlemek için farklı yöntemler önerilmiş ve kanıtlanmıştır [1, 2]. Birçok araştırma bu
yöntemlerin her birinin performansını iyileştirmeye çalışmıştır. Sunulan yöntemler
arasında, bir sonraki zaman diliminde ve belirli teknikler açısından hedefin bir
sonraki yerini tahmin eden yöntemler daha verimlidir. Bir hedef hareketi öngörerek,
ağ düğümlerinin sadece bir kısmının gelecek dönemde izlemeye dahil olması gerekir;
bu da enerji tüketiminde önemli bir düşüşe neden olur. Bu tezde Kalman filtreleme
ve makine öğrenmesi ile hedef izleme için yeni bir yöntem sunmaya çalışıyorum.
Önerilen yöntemin, şebekenin daha optimum çalışmasına ve daha az enerji
tüketimine yol açacağını göstereceğim.
Anahtar Sözcükler: Kalman filtreleme, WSN, Tahmin ve tahmin, Hedef izleme.
