基于证据理论的无线传感器网络决策融合算法研究

发布时间：2017-08-14 12:18

  本文关键词：基于证据理论的无线传感器网络决策融合算法研究

  更多相关文章： 决策融合 无线传感器网络 证据理论 分布式识别 目标检测

【摘要】：近年来,无线传感器网络在工业监控、环境监测、智能家居、健康医疗等领域获得了广泛应用。随着传感器的感知、存储和计算能力的日益增强,无线传感器网络正朝着异构化、大流量和智能化的方向发展。决策融合技术能够大幅度降低数据传输量,节约传输耗能,延长WSN工作寿命并提升数据处理精度,是无线传感器网络领域热点研究问题之一。本文对无线传感器网络决策融合问题以及证据理论基础进行了介绍,提出了决策融合的四层模型,并对当前各类决策融合模型进行了总结分析。在此基础上,重点研究了基于证据理论的决策融合算法及其在无线传感器网络中的应用问题。主要工作包括以下三个方面：(1)针对WSN分布式目标分类决策融合问题,提出基于证据理论的可靠度-概率(RP)决策融合算法,并推导出简单明确的融合规则。已有的信度构建算法只是单独考虑分类器的认知不确定性或随机不确定性,具有一定的片面性。本文将信度作为概率的不确定表述,在简单支信度函数框架下,提出了基于决策可靠度-概率的信度构建算法。首先提出基于距离的可靠度计算方法,对决策的可靠度进行量化。随后根据RP信度构建算法得到本地基本信度分配(BBA),最后推导出了全局BBA的表达式并得到了明确的RP融合规则。该规则不仅避免了Dempster组合规则的复杂计算,而且降低了数据通信量。(2)针对WSN分布式目标检测决策融合问题,同样使用RP决策融合算法进行了建模。针对目标信号和噪声信号能量分布函数的不同,提出了基于累积概率密度分布函数信度计算方法,结合传感器的检测率和虚警率构建本地BBA,并且得到了二元检测场景下的BRP决策融合规则。相比已有的基于证据理论的融合方法,本文提出的规则简单易实现,数据传输量更低,且兼容通用的阈值式目标检测模型。(3)通过仿真对比验证本文提出的算法的性能。针对在WSN目标分类中提出的RP策融合算法,使用随机可变数据集和实际车辆传感器数据进行了仿真验证。结果表明,在本地分类精度或传感器数量不同的环境下,本文提出算法的融合结果精确度均明显优于贝叶斯融合和加权融合方法。针对在WSN目标检测提出的BRP决策融合算法,使用了蒙特卡罗方法进行仿真验证。结果表明本文提出的算法在检测性能、分集增益和抗衰落等方面均优于已有的基于证据理论融合、CV融合以及硬决策融合方法。
【关键词】：决策融合 无线传感器网络 证据理论 分布式识别 目标检测
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TN929.5
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 绪论11-17
• 1.1 研究背景与研究意义11-12
• 1.2 国内外研究现状12-15
• 1.3 研究内容和主要工作15-16
• 1.4 论文组织架构16-17
• 2 无线传感器网络决策融合技术概述17-32
• 2.1 无线传感器网络决策级融合模型17-20
• 2.1.1 数据层18
• 2.1.2 特征层18-19
• 2.1.3 决策层19
• 2.1.4 融合层19-20
• 2.1.5 无线传感器网络环境下的决策算法要求20
• 2.2 决策融合算法20-23
• 2.2.1 数据的缺陷20-21
• 2.2.2 概率融合21-22
• 2.2.3 证据理论融合22
• 2.2.4 模糊集融合22-23
• 2.2.5 粗糙集理论23
• 2.3 据理论基础23-30
• 2.3.1 证据处理模型24
• 2.3.2 基本信度分配24-25
• 2.3.3 证据的合成25-26
• 2.3.4 证据决策26
• 2.3.5 简单支持证据信度构建算法26-28
• 2.3.6 折扣操作28
• 2.3.7 基于似然度的信度函数理论28-30
• 2.4 基于证据理论的信息融合模型30-31
• 2.5 本章小结31-32
• 3 基于证据理论的WSN分布式分类决策融合算法32-50
• 3.1 多源异构传感器数据目标分类模型32-33
• 3.2 分类器融合33-35
• 3.3 基于证据理论的多目标分类融合模型35-36
• 3.4 可靠度-概率(RP)信度构建算法36-38
• 3.4.1 决策可靠度估计36-37
• 3.4.2 本地BBA构建37-38
• 3.5 融合规则推导38-41
• 3.6 仿真结果及分析41-49
• 3.6.1 可变数据集仿真42-46
• 3.6.2 车辆识别数据集仿真46-49
• 3.7 本章小结49-50
• 4 基于证据理论的目标检测融合判决算法50-67
• 4.1 分布式目标检测50-51
• 4.2 目标检测决策融合算法概述51-55
• 4.2.1 硬决策融合52
• 4.2.2 基于贝叶斯的CV融合规则52-53
• 4.2.3 基于证据理论的决策融合53-54
• 4.2.4 数据融合模式54
• 4.2.5 各种融合方法对比和分析54-55
• 4.3 证据融合规则推导55-62
• 4.3.1 二元可靠度-概率（BRP）信度构建算法55-57
• 4.3.2 可靠度评估57-59
• 4.3.3 信度的融合59-60
• 4.3.4 决策60-62
• 4.4 仿真结果及分析62-65
• 4.5 本章小结65-67
• 5 总结与展望67-69
• 参考文献69-72
• 作者简介及攻读硕士学位期间取得的研究成果72-74
• 学位论文数据集74

【相似文献】

中国期刊全文数据库 前10条

1 彭盛亮;赖美玲;陈燕;蔡灿辉;;精度约束下决策融合主用户检测的检测时间分析[J];信号处理;2013年12期

2 夏怡凡;鲁万波;王文松;;衰减信道下的决策融合问题[J];数理统计与管理;2008年06期

3 王刚,赵海,魏守智,苏羽;基于非参数估计的决策融合模型及其应用研究[J];系统仿真学报;2004年07期

4 梁继民,杨万海,蔡希尧;一种具有参数学习能力的决策融合方法[J];西安电子科技大学学报;1999年02期

5 梁栋;袁慎芳;黄红梅;董晨华;张宇峰;;基于多主体决策融合的结构损伤识别[J];光电子.激光;2011年04期

6 袁晓光;杨万海;史林;;应用免疫策略的多传感器决策融合设计[J];电子科技大学学报;2009年01期

7 汪晓钢，钱文瀚;分布式多传感器决策融合的新方法──双端检验法[J];机器人;1995年03期

8 杨小军;;无线传感器网络下分布式决策融合方法综述[J];计算机工程与应用;2012年11期

9 汪晓钢，，钱文瀚;分布式多传感器决策融合系统求解[J];上海大学学报(自然科学版);1996年01期

10 马骏,孙即祥;基于准贝叶斯结构的决策融合[J];航空电子技术;1998年04期

中国重要会议论文全文数据库 前2条

1 夏建东;苏建志;曾熠;;智能决策中的决策融合模型[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

2 梁继民;蔡希尧;;多源决策融合的模糊积分方法[A];信息科学与微电子技术:中国科协第三届青年学术年会论文集[C];1998年

中国博士学位论文全文数据库 前5条

1 夏怡凡;决策融合在估计融合传感器量化问题中的应用及衰减信道下的决策融合问题[D];四川大学;2007年

2 梁继民;多传感器决策融合方法研究[D];西安电子科技大学;1999年

3 袁晓光;传感器网络决策融合研究[D];西安电子科技大学;2010年

4 张可数;多传感器估计与决策融合[D];四川大学;2002年

5 田森源;MJP决策融合算法及其在结构损伤检测中的应用[D];浙江大学;2006年

中国硕士学位论文全文数据库 前6条

1 张文宇;基于证据理论的无线传感器网络决策融合算法研究[D];北京交通大学;2016年

2 陈雅茜;基于决策融合的离线签名检验技术的研究[D];四川师范大学;2005年

3 师冬魁;恶劣传输环境下的多跳无线传感器网络决策融合[D];西安电子科技大学;2010年

4 张娟;ICMMS体系中的诊断与维修决策融合[D];东南大学;2005年

5 吴海燕;红外人脸识别中的决策融合和有限元分析[D];江西财经大学;2009年

6 陈勇;基于小波子图与决策融合的人脸识别[D];浙江工业大学;2003年

本文编号：672645