基于门限自适应的分布式检测融合算法

贝叶斯检测融合策略是一种比较传统的分布式检测融合方法,必须给定待检测现象的先验概率和各局部传感器的虚警概率和漏检概率,而在现实应用中,统计量是未知的或者是随时间变化的.因此,研究了一种纽曼一皮尔逊准则下的门限自适应分布式检测系统的融合算法.算法可根据观测数据,自动在线调整门限,使得局部传感器检测达到最佳,从而提高系统的检测性能.计算机仿真的结果表明,算法能较快地收敛,相对局部传感器,融合中心的检测性能也明显地有了提高.     

基于N-P准则的水声信号检测系统信息融合

多基阵数据融合技术在水声信号处理中具有重要意义，本文给出了基于Neyman Pearson准则的多传感器分布式水声检测信息融合系统．研究了全局最优融合系统以及局部传感器的最优判决准则．在假定各传感器检测独立的情况下，对三传感器的情况进行了仿真．结果表明，检测系统的性能有明显提高．     

基于粒子滤波的分布式故障诊断

针对非线性、非高斯环境下多传感器的系统故障诊断问题,提出了一种新的基于粒子滤波的分布式故障诊断方法。通过粒子滤波得到的状态估计值的全概率分布信息可用于故障检测。首先建立系统分布式故障诊断模型,由于通信限制,假设各传感器只能向信息融合中心传输二进制数。在各观测值独立同分布的条件下,提出了分布式故障诊断算法,包括本地判决的设计和融合中心的准则设计。仿真结果表明了所提出算法的有效性和优越性。     

LSFR算法在多传感器分布式检测中的优化研究

在多传感器分布式检测系统中,常规融合规则算法要求传感器误差概率已知,且系统中传感器和融合中心同时优化存在一定困难.提出最小二乘融合规则(LSFR)算法,算法不依赖噪声环境稳定性以及传感器的虚警概率与检测概率,融合中心根据各个传感器的硬决策,得到全局的硬决策,并在传感器和融合中心处理达到最优时,获得最佳全局性能.仿真结果表明:对比似然比融合决策算法与Neyman Pearson融合规则(NPFR)算法,LSFR算法全局检测概率显著提高,且在不同数量规模传感器和更多类型的分布式检测系统中具有较好兼容性.     

常规多传感器系统的分布检测融合方法研究

着重研究多传感器分布检测系统中融合中心的各种信息融合方法,包括"and"、"or"逻辑、表决融合规则和基于最小错误概率准则的一般融合方法.最后对各种融合方法进行了仿真比较.     

多传感器检测系统的 多步反馈融合算法

通过分析分布式检测系统的工作原理，提出了一种新的局部检测器融合方法，该方法利用检测器局部判决结果与融合中心融合结果的误差多步累积平均值对检测器下一步判决进行修正，从而达到提高检测器检测概率的目的。分析表明，该算法能有效提高系统的性能。     

分布式贝叶斯检测融合优化算法及其计算机仿真

该文研究了利用分布式多传感器获得全局决策的分布式信号检测问题。在这种检测系统中各传感器将其各自关于观测对象的决策传送至融合中心,融合中心根据融合规则给出全局决策。研究重点是基于贝叶斯准则的分布式并联检测融合系统的数据融合理论,给出了使系统全局最优的融合规则和传感器决策规则,提出了对融合规则和传感器决策规则进行优化计算的非线性高斯一赛德尔算法,具体讨论了两相同传感器、两个不同传感器和三个相同传感器在具有独立观测时的数据融合问题。给出了利用本文所提算法对上述几种情况进行计算机仿真的仿真实例。仿真结果表明：融合系统的性能相对传感器有显著改善,采用三个相同传感器的融合系统,其贝叶斯风险下降了26．5％。     

基于模糊集合的证据理论信息融合方法

针对证据理论应用中基本概率分配函数(mass函数)和多传感器信息融合中各传感器测量数据的可靠程度均难以确定的问题,提出了一种基于模糊集合的证据理论信息融合方法.该方法首先利用模糊理论中的相关性函数来计算多传感器的相互支持程度;然后由隶属函数得到每个传感器提供信息的可信度;再将各传感器的支持度和可信度转化成基本概率分配函数即mass函数;最后利用证据理论对多传感器信息进行融合.仿真结果表明,该方法获得的结果具有更高的精度和可靠性.     

分布式自动删除平均恒虚警率检测技术

根据自动删除平均算法提出了一种新的分布式多传感器的目标检测算法. 在该方法中, 首先根据自动删除平均算法(Censored cell-averaging, CCA)得到各传感器的杂波/噪声电平估计, 然后将检测单元电平与得到的杂波/噪声电平估计值相比较, 得到有无目标的局部判决,并将其传送到融合中心. 融合中心采用"k/N'融合准则得到有无目标的全局判决. 其中, 自动删除平均算法的优势明显, 它不需要干扰的先验信息, 可以容纳的干扰目标数不会像顺序统计量OS (k) (Order statistics)方法那样受指定k值的限制, 更接近实际. 自动删除平均算法还可以检测本身可能是目标的干扰. 在假定目标服从Swerling 2型起伏的情况下, 导出了相应的检测概率与虚警概率解析表达式. 多种检测器数值和图表分析的比较结果表明了该方法的有效性和优越性.     

基于信息融合的汽车衡称重传感器故障诊断

传统汽车衡不具备故障诊断功能,任一称重传感器发生故障都将导致称重系统失效.为此提出了一种基于信息融合的汽车衡称重传感器故障诊断方法,利用径向基函数神经网络(RBFNN)逼近汽车衡多路称重传感器之间的函数关系,预测各传感器的输出,并给出RBFNN的训练算法;以各传感器的预测信号与实测信号为输入,建立了融合检测模型,采用表决融合检测准则,完成故障传感器寻址、故障类型识别、故障程度判决和故障传感器正常输出估计等故障诊断.大量实验与现场检定证明,采用这种方法的汽车衡准确实现了称重传感器故障诊断,任一称重传感器失效后的汽车衡性能优于正常状态下4级秤的指标,其最大称重误差0.7%,提高了系统可靠性.     

Cooperative spectrum sensing against noise uncertainty using Neyman–Pearson lemma on fuzzy hypothesis test

In this paper, we consider the problem of cooperative spectrum sensing in the presence of the noise power uncertainty. We propose a new spectrum sensing method based on the fuzzy hypothesis test (FHT) that utilizes membership functions as hypotheses for the modeling and analyzing such uncertainty. In particular, we apply the Neyman–Pearson lemma on the FHT and propose a threshold-based local detector at each secondary user (SU) in which the threshold depends on the noise power uncertainty. In the proposed scheme, a centralized manner in the cooperative spectrum sensing is deployed in which each SU sends its one bit decision to a fusion center. The fusion center makes a final decision about the absence/presence of a primary user (PU). The performance of the PU's signal detection is evaluated by the probability of signal detection for a specific signal to noise ratio when the probability of false alarm is set to a fixed value. The performance of the proposed algorithm is compared numerically with two classical threshold-based energy detectors. Simulation results show that the proposed algorithm considerably outperforms the methods with a bi-thresholds energy detector and a simple energy detector in the presence of the noise power uncertainty.     

基于熵权法的CRSN软决策协作频谱感知方法

在实际的无线环境中,阴影和衰落的影响会导致传感节点接收到的信号具有不同的特征。因此,深度衰落中的一些协作节点会出现严重的漏检,这将影响融合操作的最终结果。针对上述问题,提出一种基于熵权法的认知无线传感网（cognitive radio sensor network,CRSN）软决策协作频谱感知方法。该方法将传感器节点组织成逻辑组,以获得能源效率和传感性能的提高,在接收到来自所有成员节点的软传感信息后,簇头采用等增益的软融合来进行簇间融合,然后将局部决策转发给融合中心,在最终决策过程中,采用熵权法为相应的聚类局部决策分配最优权值。仿真结果表明,该方法检测概率和总误差概率方面均优于典型的协作频谱感知分簇方案。     

A new multiple decisions fusion rule for targets detection in multiple sensors distributed detection systems with data fusion

Currently, multiple sensors distributed detection systems with data fusion are used extensively in both civilian and military applications. The optimality of most detection fusion rules implemented in these systems relies on the knowledge of probability distributions for all distributed sensors. The overall detection performance of the central processor is often worse than expected due to instabilities of the sensors probability density functions. This paper proposes a new multiple decisions fusion rule for targets detection in distributed multiple sensor systems with data fusion. Unlike the published studies, in which the overall decision is based on single binary decision from each individual sensor and requires the knowledge of the sensors probability distributions, the proposed fusion method derives the overall decision based on multiple decisions from each individual sensor assuming that the probability distributions are not known. Therefore, the proposed fusion rule is insensitive to instabilities of the sensors probability distributions. The proposed multiple decisions fusion rule is derived and its overall performance is evaluated. Comparisons with the performance of single sensor, optimum hard detection, optimum centralized detection, and a multiple thresholds decision fusion, are also provided. The results show that the proposed multiple decisions fusion rule has higher performance than the optimum hard detection and the multiple thresholds detection systems. Thus it reduces the loss in performance between the optimum centralized detection and the optimum hard detection systems. Extension of the proposed method to the case of target detection when some probability density functions are known and applications to binary communication systems are also addressed.     

On the performance of distributed Neyman-Pearson detection systems

The performance of a distributed Neyman-Pearson detection system is considered. We assume that the decision rules of the sensors are given and that decisions from different sensors are mutually independent conditioned on both hypotheses. The purpose of decision fusion is to improve the performance of the overall system, and we are interested to know under what conditions can a better performance be achieved at fusion center, and under what conditions cannot. We assume that the probabilities of detection and false alarm of the sensors can be different. By comparing the probability of detection at fusion center with that of each of the sensors, with the probability of false alarm at fusion center constrained equal to that of the sensor, we give conditions for a better performance to be achieved at fusion center     

一种基于多传感器决策融合的新颖监控方法

提供一种基于多传感器决策融合的新颖监控模型和方法.该方法在传感器层实现分布式判断过程,即每个传感器产生一个局部判断结果后,送到全局决策融合中心,由融合中心做出最终判断结果,从而实现大型工控系统的监控目的.将该方法在水电站监控系统平台上进行具体的实验和测试,结果表明融合模型和方法是可信且可用的,其控制与决策方式是通用的.     

非理想报告信道下协作频谱感知研究及性能分析

分析了理想报告信道下协作频谱感知性能,提出了基于改进的能量检测的协作频谱感知方案。改进的能量检测器通过对接收信号样本取任意正数p次方的和作为检测统计量,每一个认知用户将本地检测结果发送到数据融合中心,数据融合中心采用OR准则最终判断授权用户信号是否出现。针对非理想报告信道情况,推导了误检概率最小下参与协作的认知用户个数,并数值仿真得到了误检概率最小下的p值。数值仿真结果也表明协作频谱检测概率在低信噪比情况下随着p值的增大而提高。     

一种基于多传感器决策融合的新颖监控方法

提供了一种基于多传感器决策融合的新颖监控模型和方法,该方法在传感器层实现分布式判断过程即每个传感器产生一个局部判断结果后,再送到全局决策融合中心,由融合中心作出最终判断结果从而实现大型工控系统的监测目的。这种方法在研制开发的吉林丰满水电站监控系统平台上进行了具体的实验和测试,结果表明融合模型和方法是可用的、可信的,其控制与决策方式是通用的,在其它工控领域可推广应用。     

基于信息素择优的自适应决策算法

现有的分布式系统决策融合算法一般不考虑可变目标,且需已知测试目标的先验概率或假设系统虚警率,与实际应用相差较大。该文在贝叶斯融合算法的基础上模拟蚁群利用信息素的积累与挥发结合择优策略估计目标,从而实现自适应决策融合。试验结果表明,检测性能随反馈步数增加具有较好的收敛性,可根据检测对象自适应修改相关参数,适用于可变系统。