周龙雨，1995年10月生，电子科技大学信息与通信工程学院信息与通信工程专业，博士研究生，新加坡科技设计大学博士后，研究方向为物联网、无人机网络、数字孪生、AI-RAN和大语言模型等。任若干重要国际学术会议TPC联合主席、多项国际学术会议TPC成员、期刊客座编辑，以及若干重要国际学术期刊长期独立审稿人。在本领域quan威期刊和ding级会议上以di一作者身份先后发表学术论文20余篇，授权国家发明专利6项，相关研究成果成功应用于国家自然基金重点项目。获IEEE ICCT国际学术会议zui佳论文奖。
　　
　　冷甦鹏，1973年10月生，新加坡南洋理工大学电子与电机工程学院电子与电机工程专业，博士研究生，电子科技大学信息与通信工程学院教授、博导，研究方向为新一代无线智能网络、智慧物联网、智能交通信息系统的资源管理等。任四川省泛在无线网络国际联合研究中心主任、四川省通信学会副理事长、中国电子学会通信分会常务委员等。担任多个国内外期刊编委和长期审稿专家。担任10余个国际会议大会主席／TPC主席，在国内外学术会议作特邀报告30余次。在知名学术期刊和国际会议共发表学术论文200余篇，出版专著5部，申请国家发明专利80余项（授权60余项）。承担国家重点研发计划、国家自然科学基金等国家级项目／课题十余项，获省部级科学技术进步奖3项。入选新世纪优秀人才、四川省学术dai头人，曾被评为中国电子学会优秀科技工作者。

　　《面向多目标追踪物联网的智能资源管理策略研究》第一章为绪论，主要从异构资源优化角度介绍多目标追踪物联网的发展现状，并总结了现有技术的优势和挑战。针对小规模追踪场景中WSN节点感知资源受限问题，第二章提出了一种混合式智能感知调度策略，实现了静态与移动节点相结合的协同工作模式，显著提升了目标感知范围和目标轨迹预测精度，保障了小规模且精细化的目标追踪需求。第三章设计了一种分布式动态无人机群协同计算机制，优化了无人机间的任务分配，加强了无人机群的协同计算能力，显著提高了计算资源利用率，进一步保障了高成功追踪率和低延迟的目标追踪。第四章首次引入数字孪生（digital twin，DT）技术，构建虚实融合的追踪环境模型，实现对多目标运动速度与移动轨迹的精准预测，同时优化通信资源配置，有效降低通信资源消耗并保障高追踪成功率。第五章提出了一种分层数字孪生协同模拟框架。通过在云服务器构建粗粒度的目标与无人机子群映射，预测和推演无人机子群与目标子群之间的位置关系，实时获取zui优的追踪关联决策。在子群首构建目标与无人机间细粒度的追踪关联映射，推演无人机之间的位置关系，动态调整参与协同追踪的无人机数量，实现对动态数量目标的实时和高成功率的协同追踪。第六章总结了该书工作，并展望了未来的研究重点。
　　《面向多目标追踪物联网的智能资源管理策略研究》既可供通信工程、计算机科学、物联网和电子工程等相关领域的研究人员和学者参考，也可为低空经济和智慧城市等新兴领域寻找创新点的创业者提供理论支持和实践参考。

第一章 绪论
1.1 研究意义
1.2 研究现状
1.3 主要研究思路
1.4 本书研究内容

第二章 混合式无线传感器网络智能感知资源调度策略
2.1 引言
2.2 混合式无线传感器网络协同感知建模分析
2.2.1 边缘计算辅助的协同感知建模分析
2.2.2 优化模型建立
2.3 动态资源调度算法
2.4 仿真验证与评估
2.4.1 仿真设计
2.4.2 结果评估
2.5 本章小结

第三章 分布式无人机群智能协同计算管理机制
3.1 引言
3.2 分布式无人机群协同计算和追踪系统模型
3.2.1 基于排队论的协同计算
3.2.2 数据传输和系统能耗模型
3.3 协同计算和追踪建模分析
3.3.1 系统时延和安全飞行距离约束分析
3.3.2 系统能耗约束分析
3.3.3 轨迹预测约束分析
3.3.4 优化模型建立
3.4 无人机群协同计算与追踪算法
3.4.1 多目标轨迹协同预测
3.4.2 智能的无人机群协同追踪算法
3.5 实验验证与分析
3.5.1 目标移动轨迹的获取
3.5.2 结果分析
3.6 本章小结

第四章 数字孪生赋能的无人机群感知通信资源协同
调度策略
4.1 引言
4.2 数字孪生赋能的无人机群系统模型
4.3 数字孪生赋能的通信资源调度建模分析
4.3.1 无人机群感通资源调度分析
4.3.2 轨迹预测分析
4.3.3 优化模型建立
4.4 基于分布式无人机群的智能感通资源调度算法
4.4.1 基于拓扑控制的协同追踪
4.4.2 感通资源协同调度
4.4.3 基于感通协同调度的目标追踪
4.4.4 算法复杂度的分析与验证
4.5 实验验证与分析
4.5.1 数据采集
4.5.2 系统评估分析
4.5.3 指标分析和讨论
4.6 本章小结

第五章 基于分层数字孪生的无人机群协同追踪策略
5.1 引言
5.2 基于分层数字孪生的协同追踪系统模型
5.3 分层数字孪生模型分析
5.3.1 系统时延和目标轨迹预测分析
5.3.2 优化模型建立
5.4 基于分层数字孪生的协同追踪算法
5.4.1 粗粒度的数字孪生推演
5.4.2 细粒度的数字孪生推演
5.5 实验验证与分析
5.5.1 信息采集
5.5.2 粗粒度的数字孪生评估分析
5.5.3 细粒度的数字孪生评估分析
5.5.4 系统性能评估分析
5.6 本章小结

第六章 总结与展望
6.1 总结
6.2 展望

参考文献