非理想信道下分布式决策融合的目标检测
发布时间：2021-11-20 10:18
传感网目标检测指的是,借助传感网络,对监测区域内某一目标对象存在与否进行检测判决。目前,基于传感网的目标检测得到了广泛研究,并被实际应用于军事、农业、海洋资源探测等多个领域中。在实际应用中,传感网络中大部分传感器节点通常都是通过电池供电,当检测区域环境越复杂的时候,为电量耗尽的传感器节点更换电池也变成了一件复杂且低效的事情。另外,对于一个目标检测系统而言,其检测性能主要表现在系统检测概率的大小。因此,如何减小检测系统能耗、提高系统生命周期,同时提高系统检测概率是本文的主要关注及研究点。基于此,本文建立了非理想信道下传感网目标检测模型,从系统能耗和系统检测性能这两个角度出发,进行了传感网目标检测算法研究。本文首先介绍了传感网的基本网络结构和特点、数据融合的三种方式及对应系统结构、常用的数据融合方法,以及目标检测的基础理论,说明了非理想信道下,传感网目标检测现存的难点与所面临的挑战。接着,本文基于非理想信道下分布式检测融合系统模型,提出了两种检测融合算法来有效平衡系统能耗和系统检测性能。软决策融合和硬决策融合是两种常用的分布式决策融合方法。相比于软决策融合,硬决策融合检测性能差但能耗更小。...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图２－１传感网的基本网络结构??
?电子科技大学硕士学位论文???可以看出，剩余能量越多的传感器节点越有可能被选为ＣＨ节点；距离ＦＣ越近??的传感器节点，越有可能被选为ＣＨ节点。??最后一步，去模糊。对于每个传感器节点的每个输入（ｘｐｘ２；），输出可以通过??式（３－４）计算，其中ｃ值由人为给定。??９??，、各？⑷＂啡／??Ｙｙｘｖ?ｘ２Ｊ?＝?—?（３－４）??备？Ｗ？卜２）??表３＿１?ＦＬＳ的规则库??Ｒ’?先决条件１?（ｘｉ）?先决条件２ｆｅ）?结果Ｇ１???Ｒ１?ｌｏｗ?ｎｅａｒ?ｍｅｄｉｕｍ??Ｒ２?ｌｏｗ?ｍｏｄｅｒａｔｅ?ｓｍａｌｌ??Ｒ３?ｌｏｗ?ｆａｒ?ｖｅｒｙ?ｓｍａｌｌ??Ｒ４?ｍｏｄｅｒａｔｅ?ｎｅａｒ?ｌａｒｇｅ??Ｒ５?ｍｏｄｅｒａｔｅ?ｍｏｄｅｒａｔｅ?ｍｅｄｉｕｍ??Ｒ６?ｍｏｄｅｒａｔｅ?ｆａｒ?ｓｍａｌｌ??Ｒ７?ｈｉｇｈ?ｎｅａｒ?ｖｅｒｙ?ｌａｒｇｅ??Ｒ８?ｈｉｇｈ?ｍｏｄｅｒａｔｅ?ｌａｒｇｅ??Ｒ９?ｈｉｇｈ?ｆａｒ?ｍｅｄｉｕｍ??ｌｏｗ，ｎｅａｒ?ｍｏｄｅｒａｔｅ?ｈｉｇｈ，ｆａｒ??０?２?４?６?８?１０??Ｎｏｒｍａｌｉｚｅｄ?ａｎｔｅｃｅｄｅｎｔｓ??图３－２输入条件对应隶属函数图??２２??
?第三章基于软硬决策信息融合的目标检测算法研究???０?２?４?６?８?１０??Ｎｏｒｍａｌｉｚｅｄ?ａｎｔｅｃｅｄｅｎｔｓ??图３－３?ｃｏｎｓｅｑｕｅｎｔ对应隶属函数图??式（３－４）的输出结果可以作为选择某一传感器节点作为ＣＨ节点的概率依据。??在本章中，７Ｖ个传感器节点都将通过式（３－４）得到一个对应的概率值。另外Ｍ代??表传感网网络中ＣＨ节点的数目，同时也是网络中簇的个数。Ｍ可以使用式（３－５）??获得，其中，Ｐ是一个人为指定的常量值，范围是ｉＶ是分布式检测系统中??本地传感器节点的总个数。我们将根据式（３－４）得到的值选择Ｍ个传感器作为网??络的ＣＨ节点。??Ｍ?＝?ｆｌｏｏｒ?（３－５）??３．２．２模糊Ｃ均值分簇??通过ＦＬＳ确定了?Ｍ个ＣＨ节点之后，模糊Ｃ均值分簇（ＦＣＭ）算法将被用来??完成网络最终的分簇。通常，聚类又可以分为硬聚类和软聚类。硬聚类一般是指，??每个非簇头节点属于并且仅属于一个簇。硬聚类的代表方法包括ｋ－ｍｅａｎｓ聚类算法，??凝聚型层次聚类算法等。然而，在现实情况中，每个节点并不能被准确划分到某??个簇以形成明显分离的簇群。而相比于硬聚类，隶属于软聚类的ＦＣＭ算法囊括了??模糊理论的精髓，可以获得更为灵活的聚类分簇结果。它的原理是给每个传感器??节点和每个簇赋予一个权重，用以表示该传感器节点隶属于该簇的概率，这个权??重可以称之为隶属度。当然，基于普通概率的方法也可以给出这样的权值，但是??有时候我们很难确定一个合适的统计模型，因此使用具有自然地、非概率特性的??ＦＣＭ就是一个比较好的选择。??２３??
【参考文献】：
期刊论文
[1]一种异构传感器网络的能量有效路由算法[J]. 李小亚,黄道平,孙宗海. 计算机科学. 2008(05)
本文编号：3507115
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图２－１传感网的基本网络结构??
?电子科技大学硕士学位论文???可以看出，剩余能量越多的传感器节点越有可能被选为ＣＨ节点；距离ＦＣ越近??的传感器节点，越有可能被选为ＣＨ节点。??最后一步，去模糊。对于每个传感器节点的每个输入（ｘｐｘ２；），输出可以通过??式（３－４）计算，其中ｃ值由人为给定。??９??，、各？⑷＂啡／??Ｙｙｘｖ?ｘ２Ｊ?＝?—?（３－４）??备？Ｗ？卜２）??表３＿１?ＦＬＳ的规则库??Ｒ’?先决条件１?（ｘｉ）?先决条件２ｆｅ）?结果Ｇ１???Ｒ１?ｌｏｗ?ｎｅａｒ?ｍｅｄｉｕｍ??Ｒ２?ｌｏｗ?ｍｏｄｅｒａｔｅ?ｓｍａｌｌ??Ｒ３?ｌｏｗ?ｆａｒ?ｖｅｒｙ?ｓｍａｌｌ??Ｒ４?ｍｏｄｅｒａｔｅ?ｎｅａｒ?ｌａｒｇｅ??Ｒ５?ｍｏｄｅｒａｔｅ?ｍｏｄｅｒａｔｅ?ｍｅｄｉｕｍ??Ｒ６?ｍｏｄｅｒａｔｅ?ｆａｒ?ｓｍａｌｌ??Ｒ７?ｈｉｇｈ?ｎｅａｒ?ｖｅｒｙ?ｌａｒｇｅ??Ｒ８?ｈｉｇｈ?ｍｏｄｅｒａｔｅ?ｌａｒｇｅ??Ｒ９?ｈｉｇｈ?ｆａｒ?ｍｅｄｉｕｍ??ｌｏｗ，ｎｅａｒ?ｍｏｄｅｒａｔｅ?ｈｉｇｈ，ｆａｒ??０?２?４?６?８?１０??Ｎｏｒｍａｌｉｚｅｄ?ａｎｔｅｃｅｄｅｎｔｓ??图３－２输入条件对应隶属函数图??２２??
?第三章基于软硬决策信息融合的目标检测算法研究???０?２?４?６?８?１０??Ｎｏｒｍａｌｉｚｅｄ?ａｎｔｅｃｅｄｅｎｔｓ??图３－３?ｃｏｎｓｅｑｕｅｎｔ对应隶属函数图??式（３－４）的输出结果可以作为选择某一传感器节点作为ＣＨ节点的概率依据。??在本章中，７Ｖ个传感器节点都将通过式（３－４）得到一个对应的概率值。另外Ｍ代??表传感网网络中ＣＨ节点的数目，同时也是网络中簇的个数。Ｍ可以使用式（３－５）??获得，其中，Ｐ是一个人为指定的常量值，范围是ｉＶ是分布式检测系统中??本地传感器节点的总个数。我们将根据式（３－４）得到的值选择Ｍ个传感器作为网??络的ＣＨ节点。??Ｍ?＝?ｆｌｏｏｒ?（３－５）??３．２．２模糊Ｃ均值分簇??通过ＦＬＳ确定了?Ｍ个ＣＨ节点之后，模糊Ｃ均值分簇（ＦＣＭ）算法将被用来??完成网络最终的分簇。通常，聚类又可以分为硬聚类和软聚类。硬聚类一般是指，??每个非簇头节点属于并且仅属于一个簇。硬聚类的代表方法包括ｋ－ｍｅａｎｓ聚类算法，??凝聚型层次聚类算法等。然而，在现实情况中，每个节点并不能被准确划分到某??个簇以形成明显分离的簇群。而相比于硬聚类，隶属于软聚类的ＦＣＭ算法囊括了??模糊理论的精髓，可以获得更为灵活的聚类分簇结果。它的原理是给每个传感器??节点和每个簇赋予一个权重，用以表示该传感器节点隶属于该簇的概率，这个权??重可以称之为隶属度。当然，基于普通概率的方法也可以给出这样的权值，但是??有时候我们很难确定一个合适的统计模型，因此使用具有自然地、非概率特性的??ＦＣＭ就是一个比较好的选择。??２３??
【参考文献】：
期刊论文
[1]一种异构传感器网络的能量有效路由算法[J]. 李小亚,黄道平,孙宗海. 计算机科学. 2008(05)
本文编号：3507115
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3507115.html
