本文主要探讨了基于粒子滤波的二元无线传感器网络（Binary Wireless Sensor Networks，简称BWSN）分布式目标跟踪算法的研究。无线传感器网络是一种由大量微型传感器节点组成的多跳自组织网络系统，这些节点通过无线电通信互相连接，形成一个具有监测区域内大量覆盖的网络。二元无线传感器网络由于其独特的通信特性，即将目标是否在传感器探测区域内转化为单比特信息（1或0），因此通信量较小，适合在通信带宽和计算资源有限的环境下工作。
在目标跟踪方面，BWSN面临的主要挑战包括如何在不损失跟踪精度的前提下减少能耗和计算复杂度。传统的集中式跟踪算法会将所有探测信息传送到融合中心进行处理，这会导致能量的大量消耗和计算量的增加。而分布式算法则提出了一种新的思路，即通过动态分簇结构，仅激活一小部分节点用于探测和跟踪目标，其余节点处于休眠状态以节省能量。
本文提出的分布式目标跟踪算法基于粒子滤波器，它能够根据目标状态每时每刻激活少量节点进行探测和跟踪，降低能耗和计算复杂度，延长网络的使用寿命。粒子滤波是一种基于蒙特卡洛模拟的递归贝叶斯滤波技术，通过一组随机样本（即粒子）对概率分布进行近似，以解决非线性、非高斯噪声系统的状态估计问题。在无线传感器网络中，粒子滤波可以有效地跟踪目标，并且适应性较强。
文章中提到的质心算法和加权质心算法虽然在传感器探测范围较小时有较好的性能，但其定位和跟踪能力在探测范围较大时会大幅下降。而一些研究采用将所有二元传感器探测信息传送至融合中心的方法，尽管能够实现对目标的跟踪，但同样面临能耗和计算量较大的问题。分布式算法解决了这些问题，它允许传感器网络中的节点根据需要动态地组成簇，并在簇内进行信息处理和决策，降低了能耗和计算量。
本文的贡献在于设计了一种新颖的基于粒子滤波的二元无线传感器网络分布式目标跟踪算法，并通过计算机进行的Monte Carlo仿真表明，该算法能有效地减少能耗和计算复杂度，同时保证了跟踪精度，延长了网络的使用寿命。这种算法特别适合于大规模、资源受限的无线传感器网络。
关键词中的“无线传感器网络”（Wireless Sensor Networks, WSNs）指的是由大量小型、低成本的传感器节点构成的网络，它们能够感知周围环境的变化并进行处理，完成特定的任务，例如目标跟踪、环境监测等。“目标跟踪”（Target Tracking）是指通过传感器网络持续地检测、跟踪和定位网络监测区域内的目标物体，这在军事、环境监测、灾害管理等领域有着重要的应用价值。“粒子滤波”（Particle Filtering）是一种利用一系列随机样本（粒子）来表示概率分布的递归贝叶斯滤波算法，它被广泛应用于目标跟踪、信号处理等领域中处理非线性和非高斯问题。“分簇”（Clustering）是指在无线传感器网络中，为了提高网络的可管理性、能量效率和扩展性，将网络中的节点组织成簇结构，每个簇由一个簇头节点和若干成员节点组成。“分布式”（Distributed）表示数据处理和计算任务分布在各个节点上，而非集中在单一的中心节点处理，这种处理方式能够减少网络负载，降低能耗，提高系统整体的容错性。
文章中提到了在无线传感器网络目标跟踪方面，由于传感器网络数量大，节点资源有限，传统的集中式算法受到限制。分布式算法由于能够减少能耗和计算量，被国内外学者广泛研究。本研究的分布式目标跟踪算法很好地平衡了能耗、计算量与跟踪精度之间的关系，为无线传感器网络目标跟踪提供了新的思路和技术支持。
