CN102404061A - 适用于无线传感网的基于互相关的分布式信号检测实现方法 - Google Patents
适用于无线传感网的基于互相关的分布式信号检测实现方法 Download PDFInfo
- Publication number
- CN102404061A CN102404061A CN2011103875872A CN201110387587A CN102404061A CN 102404061 A CN102404061 A CN 102404061A CN 2011103875872 A CN2011103875872 A CN 2011103875872A CN 201110387587 A CN201110387587 A CN 201110387587A CN 102404061 A CN102404061 A CN 102404061A
- Authority
- CN
- China
- Prior art keywords
- node
- sigma
- cross
- correlation
- tau
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种适用于无线传感网的基于互相关的分布式信号检测实现方法,首先,选出一个汇聚节点,由汇聚节点分别和每个普通节点两两组成一组;然后,汇聚节点将自己接收到的信号广播出去,普通节点将汇聚节点和普通节点的接收信号做互相关处理,找到互相关模值的峰值或互相关实部的峰值;其次,选定检测值的类型,根据已接收的数据,估计互相关检测值的一阶、二阶统计特性;再次,利用等概率划分的思想,迭代搜索贝叶斯准则下的最佳本地检测规则;最后,各组节点根据最佳本地检测规则,对未知发射机的工作与否进行检测判决。当信号检测值间存在相关性时,本发明提供了一种易于实现的求解本地最优判决规则方法,改善了无线传感网在低信噪比情况下的分布式检测性能。
Description
技术领域
本发明涉及一种分布式信号检测实现方法,特别是适用于无线传感网的一种基于互相关的分布式信号检测实现方法。
背景技术
目前,未知发射机的检测、定位和跟踪(DLT)是无线传感网从理论走向民用和军用必须解决的难题。在无线传感网中,为了节约网络带宽,降低节点间的数据传输量,分布式的处理方式无疑是比较好的选择。在过去的三十年里,分布式检测问题引起了学术界的广泛关注。如果信号的检测值间是相互独立的,那么可以得到明确的检测规则,即确定的似然比门限值。相比之下,如果信号的检测值间存在相关性,那么其检测规则的表达式就不是那么简单了,此时本地检测规则的求解就是一个NP完全问题。
发明内容
本发明的目的是针对信号的检测值间存在相关性时信号检测难以实现的问题,在已有检测结论的基础上,将节点对的互相关思想和等概率划分的思想引入分布式信号检测中,利用观测复信号的实部或模值峰值作为检测值,使得这里最佳检测规则的搜索便于实现。
本发明的技术方案是:
一种适用于无线传感网的基于互相关的分布式信号检测实现方法,它包括以下步骤:
第一步,历遍无线传感网中的所有节点,根据传感节点的处理能力、所处位置、分配任务选取一个汇聚节点,该汇聚节点分别和其余各普通节点分别两两组成一组;
第二步,无线传感网中的所有节点均对同一区域内的任一待监测目标的电磁信号进行监测,经过一段观测时间后,汇聚节点将自己接收到的电磁信号广播出去,各普通节点接收到汇聚节点发出的信号后,将其与普通节点自身接收的电磁信号做互相关处理,计算互相关模值的峰值或互相关实部的峰值;
第三步,选定检测值的类型,采用互相关模值的峰值或互相关实部的峰值,各普通节点根据检测值的类型,将其相应的数据发回给汇聚节点,汇聚节点根据这些信息,估计各组节点检测值的均值和协方差矩阵即互相关模值的峰值或互相关实部的峰值的均值和协方差矩阵,从而得到其相应的概率密度函数;
第四步,在第三步得到的检测值概率密度函数的基础上,汇聚节点将各组节点的检测值在整个实数范围内划分成一个个离散的区间,对每组节点而言,其检测值在其离散区间上的概率相等,然后汇聚节点在这些离散的检测值区间上采用Gauss-Seidel迭代方法来搜索贝叶斯准则下的最佳本地检测规则;
第五步,汇聚节点将第四步中搜索到的最佳本地检测规则发送给各普通节点,各普通节点重复步骤二,依据最佳检测规则来对其检测值即互相关模值的峰值或互相关实部的峰值进行判决,以对未知发射机的活动与否进行检测。
本发明具体包括以下步骤:
(a)、某电磁环境中有一个待监测目标T1,某频谱监测传感网中Np+1个节点{S0,S1,S2,S3,S4,...,SNp},根据节点的处理能力、所处位置、分配任务等,设置节点S0为汇聚节点,节点{S1,S2,S3,S4,...,SNp}为普通节点,然后,再由汇聚节点分别和每个普通节点两两组成一组,即S0和S1、S0和S2、S0和S3、S0和S4、...、S0和SNp分别组成Np组,假设Np=4;
(b)、从某一时刻起,频谱监测传感网开始监测某区域内的电磁环境,经过一段时间后,汇聚节点S0将其接收信号广播给普通节点S1,S2,S3,S4,普通节点S1,S2,S3,S4再将广播信号与其接收信号做互相关处理,然后找到互相关模值的峰值或互相关实部的峰值,
假设待监测目标T1发出的信号是直接到达接收节点的,节点Si的接收信号为
依据下述表达式,将汇聚节点S0的接收信号与普通节点Si的接收信号做互相关处理,即
其中,上标“*”表示取共轭,k表示采样信号的时间序号,τ表示延时,K表示参与互相关运算的采样个数,
检测值yi的选取可以有两种情况,一种是选取互相关模值的峰值,即
另一种是选取互相关实部的峰值,即
其中,|·|表示取模值,real(·)表示取实部,max(·)表示取最大值,arg(·)表示其对应的参数;(c)、普通节点S1,S2,S3,S4将找到的检测值即互相关模值的峰值或互相关实部的峰值,发回给汇聚节点S0,汇聚节点S0根据这些信息,估计每组节点检测值的均值和协方差矩阵,从而得到其相应的概率分布,
1)如果选择互相关实部的峰值作为检测值yi,即
则可知y1,y2,y3,y4服从联合高斯分布,且在给定H0和H1的情况下其均值向量u0,u1与协方差矩阵C0,C1可通过下式来估计,即
其中,yj (m)表示第j组节点检测量的第m个检测值,[ui]j表示向量ui的第j个元素,M表示参与统计特性估计的检测值个数;
2)如果选择互相关模值的峰值作为检测值yi,即
其中,|·|表示取模值,max(·)表示取最大值,arg(·)表示其对应的参数,
在H0成立的情况下,y1,y2,y3,y4的联合分布为
其中,[·]ij表示矩阵第i行第j列元素,|·|表示矩阵的行列式,上标R和I分别表示复变量的实部和虚部,且
在H1成立的情况下,y1,y2,y3,y4的联合分布为
其中,|·|表示矩阵的行列式,[·]ij表示矩阵第i行第j列元素,[·]i表示向量第i个元素,上标R和I分别表示复变量的实部和虚部,BesselI(0,x)表示输入变量为x的第一类修正零阶贝塞尔函数,且
Ca=φ14cos(θ1-ψ14)+φ24cos(θ2-ψ24)+φ34cos(θ3-ψ34)+ξ4
Cs=φ14sin(θ1-ψ14)+φ24sin(θ2-ψ24)+φ34sin(θ3-ψ34)+γ4
(d)、在第三步得到的检测值概率密度函数的基础上,汇聚节点将各组节点的检测值在整个实数范围内划分成一个个离散的区间,对每组节点而言,其检测值在其离散区间上的概率相等,从而将贝叶斯准则下的最佳本地检测规则离散化,然后,采用Gauss-Seidel迭代搜索的方法,找到此时的最佳本地检测规则,
根据贝叶斯准则,平均贝叶斯代价函数可表示为
CBayes(I1(y1),…,I4(y4);F)=C00P0P(u0=0|H0)+C01P1P(u0=0|H1)
+C10P0P(u0=1|H0)+C11P1P(u0=1|H1)
其中,yi为第i组节点的观测值,ui=Ii(yi)为第i组节点的检测结果,Ii(·)为第i组节点的检测规则,F为融合规则,u0为融合检测结果,Cij(i=0,1,j=0,1)表示判决Hi为真而实际Hj为真时所付出的代价,P1和P0分表表示两个假设H1和H0的先验概率,P(u0=i|Hj)表示在给定假设Hj情况下融合检测结果为u0=i的概率,
假设融合规则F采用K=2的K秩序规则,即
F(u1,u2,u3,u4)=1-(1-u1)(1-u2)(1-u3)(1-u4)-u1(1-u2)(1-u3)(1-u4)
-u2(1-u1)(1-u3)(1-u4)-u3(1-u1)(1-u2)(1-u4)-u4(1-u1)(1-u2)(1-u3)
则,
1-F(u1,...,u4)=(1-u1)P11(u2,u3,u4)+P12(u2,u3,u4)
=(1-u2)P21(u1,u3,u4)+P22(u1,u3,u4)
=(1-u3)P31(u1,u2,u4)+P32(u1,u2,u4)
=(1-u4)P41(u1,u2,u3)+P42(u1,u2,u3)
其中
P11(u2,u3,u4)=u2(1-u3)(1-u4)+u3(1-u2)(1-u4)+u4(1-u2)(1-u3)
P12(u2,u3,u4)=(1-u2)(1-u3)(1-u4)
P21(u1,u3,u4)=u1(1-u3)(1-u4)+u3(1-u1)(1-u4)+u4(1-u1)(1-u3)
P22(u1,u3,u4)=(1-u1)(1-u3)(1-u4)
P31(u1,u2,u4)=u1(1-u2)(1-u4)+u2(1-u1)(1-u4)+u4(1-u1)(1-u2)
P32(u1,u3,u4)=(1-u1)(1-u2)(1-u4)
P41(u1,u2,u3)=u1(1-u2)(1-u3)+u2(1-u1)(1-u3)+u3(1-u1)(1-u2)
P42(u1,u2,u3)=(1-u1)(1-u2)(1-u3)
(e)、汇聚节点S0再将找到的步骤d中搜索到的最佳本地检测规则发送给普通节点S1,S2,S3,S4,各普通节点将最佳检测规则存储在规则存储器中,然后,依据最佳检测规则,利用节点对的互相关值对检测目标的活动与否进行检测判决。
本发明的步骤d中,最佳本地检测规则的搜索步骤为:
Step1:设定参数先验概率P1和P0、代价因子Cij(i=0,1,j=0,1)和循环控制因子ε,
Step2:根据联合概率密度函数p(y1,y2,y3,y4|H1)求解边缘概率密度函数p(yi|H1)(i=1,...,4),如果检测值采用互相关实部的峰值,那么
p(yi|H1)□N([u1]i,[C1]ii),i=1,2,3,4
如果检测值采用互相关模值的峰值,那么
Step3:分别确定y1,y2,y3,y4对应划分区间的个数N1,N2,N3,N4,求解等概率划分区间,即求解方程
从而得到相应的区间(-∞,yi1),[yi1,yi2),...,[yi(Ni-1),+∞),此时,得到的这组区间序列可使检测值yi落在每个区间的概率相同,Δyim表示检测值yi的第m个划分区间的长度,
Step4:设定一组初始规则,记作
Step5:设定迭代计数器i=0,
Step6:根据下述公式迭代更新本地检测规则,即
m1=1,…,N1
m2=1,…,N2
m3=1,…,N3
m4=1,…,N4
其中,yim(i=1,...,4,m=1,...,Ni)是检测值yi第m个划分区间的中间值,
Step7:如果
则跳到Step8,否则,i=i+1,然后跳到Step6,
Step8:得到最终的本地最优判决规则,即
本发明的有益效果:
本发明与现有技术相比,其显著优点是:1、当检测值间存在相关性时,本发明提供了一种易于实现的求解本地最优判决规则方法;2、改善了无线传感网在低信噪比情况下的分布式检测性能;3、提供了如何判断一组本地最优判决规则正确与否的方法。
附图说明
图1是本发明一种适用于无线传感网的基于互相关的分布式信号检测实现方法的分组示意图。
图2是本发明一种适用于无线传感网的基于互相关的分布式信号检测实现方法的节点工作流程图。
图3是本发明一种适用于无线传感网的基于互相关的以互相关实部峰值为检测值的分布式信号检测实现方法的检测规则说明图。
图4是本发明一种适用于无线传感网的基于互相关的以互相关模值峰值为检测值的分布式信号检测实现方法的检测规则说明图。
图5是本发明一种适用于无线传感网的基于互相关的分布式信号检测实现方法的接收机性能曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1-5所示,本发明基于互相关的分布式信号检测实现方法实例应用于某频谱监测传感网。
工作过程为:
1、某电磁环境中有一个待监测目标T1,某频谱监测传感网中Np+1个节点{S0,S1,S2,S3,S4,...,SNp}。根据节点的处理能力、所处的位置等,设置节点S0为汇聚节点,节点{S1,S2,S3,S4,...,SNp}为普通节点。然后,再由汇聚节点分别和每个普通节点两两组成一组,即S0和S1、S0和S2、S0和S3、S0和S4、...、S0和SNp别组成Np组。如图1所示,图中Np=4。其中,各节点的位置坐标为下表所示。
表1各节点的位置
2、从某一时刻起,频谱监测传感网开始监测某区域内的电磁环境。经过一段时间后,汇聚节点S0将其接收信号广播给普通节点S1,S2,S3,S4。普通节点S1,S2,S3,S4再将广播信号与其接收信号做互相关处理,然后找到互相关模值的峰值或互相关实部的峰值。
假设待监测目标T1发出的信号是直接到达接收节点的,节点Si的接收信号为
依据下述表达式,将汇聚节点S0的接收信号与普通节点Si的接收信号做互相关处理,即
其中上标“*”表示取共轭,k表示采样信号的时间序号,τ表示延时,K表示参与互相关运算的采样个数。
检测值yi的选取可以有两种情况,一种是选取互相关模值的峰值,即
另一种是选取互相关实部的峰值,即
其中,|·|表示取模值,real(·)表示取实部,max(·)表示取最大值,arg(·)表示其对应的参数。
3、普通节点S1,S2,R3,S4将找到的检测值即互相关模值的峰值或实部的峰值发回给汇聚节点S0。汇聚节点S0根据这些信息,估计每组节点检测值的均值和协方差矩阵,从而得到其相应的概率分布。
1)如果选择互相关实部的峰值作为检测值,即
则可知y1,y2,y3,y4服从联合高斯分布,且在给定H0和H1情况下的其均值向量u0,u1与协方差矩阵C0,C1可通过下式来估计,即
其中,yj (m)表示第j组节点检测量的第m个检测值,[ui]j表示向量ui的第j个元素,M表示参与统计特性估计的检测值个数。
2)如果选择互相关模值的峰值作为检测值,即
则可得在H0成立时,y1,y2,y3,y4的条件概率密度分布为
其中,[·]ij表示矩阵第i行第j列元素,|·|表示矩阵的行列式,上标R和I分别表示复变量的实部和虚部,且
在H1成立时,y1,y2,y3,y4的条件概率密度分布为
其中,|·|表示矩阵的行列式,[·]ij表示矩阵第i行第j列元素,[·]i表示向量第i个元素,上标R和I分别表示复变量的实部和虚部,BesselI(0,x)表示输入变量为x的第一类修正零阶贝塞尔函数,且
Ca=φ14cos(θ1-ψ14)+φ24cos(θ2-ψ24)+φ34cos(θ3-ψ34)+ξ4
Cs=φ14sin(θ1-ψ14)+φ24sin(θ2-ψ24)+φ34sin(θ3-ψ34)+γ4
4、利用等概率划分的思想,将贝叶斯准则下的最佳本地检测规则离散化。然后,采用Gauss-Seidel迭代搜索的方法,找到此时的最佳本地检测规则。
根据贝叶斯准则,平均贝叶斯代价函数可表示为
C((I1(y1),…,IL(yL);F)=c00P0P(u0=0|H0)+c01P1P(u0=0|H1)
+c10P0P(u0=1|H0)+c11P1P(u0=1|H1)
其中,yi为第i组节点的检测值,ui=Ii(yi)为第i组节点的检测结果,Ii(·)为第i组节点的检测规则,F为融合规则,u0为融合检测结果。Cij(i=0,1,j=0,1)表示判决Hi为真而实际Hj为真时所付出的代价,P1和P0分表表示两个假设H1和H0的先验概率,P(u0=i|Hj)表示在给定假设Hj情况下融合检测结果为u0=i的概率。
假设融合规则F采用K=2的K秩序规则,即
F(u1,u2,u3,u4)=1-(1-u1)(1-u2)(1-u3)(1-u4)-u1(1-u2)(1-u3)(1-u4)
-u2(1-u1)(1-u3)(1-u4)-u3(1-u1)(1-u2)(1-u4)-u4(1-u1)(1-u2)(1-u3)
则,
1-F(u1,…,u4)=(1-u1)P11(u2,u3,u4)+P12(u2,u3,u4)
=(1-u2)P21(u1,u3,u4)+P22(u1,u3,u4)
=(1-u3)P31(u1,u2,u4)+P32(u1,u2,u4)
=(1-u4)P41(u1,u2,u3)+P42(u1,u2,u3)
其中
P11(u2,u3,u4)=u2(1-u3)(1-u4)+u3(1-u2)(1-u4)+u4(1-u2)(1-u3)
P12(u2,u3,u4)=(1-u2)(1-u3)(1-u4)
P21(u1,u3,u4)=u1(1-u3)(1-u4)+u3(1-u1)(1-u4)+u4(1-u1)(1-u3)
P22(u1,u3,u4)=(1-u1)(1-u3)(1-u4)
P31(u1,u2,u4)=u1(1-u2)(1-u4)+u2(1-u1)(1-u4)+u4(1-u1)(1-u2)
P32(u1,u3,u4)=(1-u1)(1-u2)(1-u4)
P41(u1,u2,u3)=u1(1-u2)(1-u3)+u2(1-u1)(1-u3)+u3(1-u1)(1-u2)
P42(u1,u2,u3)=(1-u1)(1-u2)(1-u3)
最佳本地检测规则的搜索步骤为:
Step1:设定参数先验概率P1和P0、代价因子Cij(i=0,1,j=0,1)和循环控制因子ε。
Step2:根据联合概率密度函数p(y1,y2,y3,y4|H1),求解边缘概率密度函数p(yi|H1)(i=1,...,4)。如果检测值采用互相关实部的峰值,那么
p(yi|H1)□N([u1]i,[C1]ii),i=1,2,3,4
如果检测值采用互相关模值的峰值,那么
Step3:分别确定y1,y2,y3,y4对应划分区间的个数N1,N2,N3,N4,求解等概率划分区间,即求解方程
从而得到相应的区间(-∞,yi1),[yi1,yi2),...,[yi(Ni-1),+∞),此时,得到的这组区间序列可使检测值yi落在每个区间的概率相同,Δyim表示检测值yi的第m个划分区间的长度。
Step4:设定一组初始规则,记作
Step5:设定迭代计数器i=0。
Step6:根据下述公式迭代更新本地检测规则,即
m1=1,…,N1
m2=1,…,N2
m3=1,…,N3
m4=1,…,N4
其中,yim(i=1,...,4,m=1,...,Ni)是检测值yi第m个划分区间的中间值,
Step7:如果
则跳到Step8,否则,i=i+1,然后跳到Step6。
Step8:得到最终的本地最优判决规则,即
5、汇聚节点S0再将第4步中搜索到的最佳本地检测规则发送给普通节点S1,S2,S3,S4,以便其存储在规则存储器中。然后,按照图2的流程,依据最佳本地检测规则,利用节点对的检测值对监测目标的活动与否进行检测判决。
6、实验结果:
设置条件为
(1)监测目标T1采用QPSK的调制方式;
(2)di表示节点Si与监测目标T1的距离;
(3)以汇聚节点S0的距离d0作为参考,普通节点Si的衰减系数αi=d0 2/di 2。
(4)估计均值向量和协方差矩阵时,数据个数M为1000。
实验1:
选择互相关实部的峰值作为检测值,即汇聚节点S0的接收信噪比(SNR)分别等于-5dB、0dB、+5dB。在检测值y1,y2,y3,y4的等概率划分中,y1,y2,y3,y4所对应的划分区间个数均为50。三组实验所得的最优本地判决规则均具有如下形式;
其中ti和Ti是图3中曲线的交点。
在图3中,实线(μ=0,σ2=2)表示假设H0为真时yi的条件概率密度函数曲线p(yi|H0),其它三条曲线表示假设H1为真时yi的条件概率密度函数曲线p(yi|H1)。从图3中可以看出,不论节点S0的接收信噪比等于-5dB、0dB还是5dB,p(yi|H1)与p(yi|H0)均有两个交点。当yi落在两个交点之内的区间时,p(yi|H0)对应的条件概率大于p(yi|H1)对应的条件概率,此时,本地判决结果为ui=0,反之ui=1。。
实验2:
选择互相关模值的峰值作为检测值,即汇聚节点S0的接收信噪比(SNR)分别等于-15dB、-10dB、-5dB。在检测值y1,y2,y3,y4的等概率划分中,y1,y2,y3,y4所对应的划分区间个数均为20。三组实验所得的最优本地判决规则均具有如下形式;
其中ti是图4中曲线的交点,即H1为真时yi的条件概率密度函数曲线p(yi|H1)和H0为真时yi的条件概率密度函数曲线p(yi|H0)。
判断一组最优本地判决规则正确与否的方法,就是看假设H0为真时yi的条件概率密度函数曲线p(yi|H0)与假设H1为真时yi的条件概率密度函数曲线p(yi|H1)有几个交点。如果有n个,则这n个交点把检测值yi的值域划分n+1个区间。在每一个区间内观察是p(yi|H0)对应的条件概率大,还是p(yi|H1)对应的条件概率大,以决定在此区间内本地判决结果ui=0还是ui=1。
图5给出了集中式检测和分布式检测(融合准则采用K=2的K秩序准则)的接收机工作特性(ROC)比较。图中的信噪比是指S0的接收信噪比。从图中可以看出,提高信噪比,集中式检测和分布式检测的性能均有所提高,且集中式检测的性能总是优于分布式检测的性能。值得注意的是,这里的信噪比均较低,这主要归功于对接收信号做了互相关处理,使得对待检测目标发出的未知信号的功率利用率大大提高。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (3)
1.一种适用于无线传感网的基于互相关的分布式信号检测实现方法,其特征是它包括以下步骤:
第一步,历遍无线传感网中的所有节点,根据传感节点的处理能力、所处位置、分配任务选取一个汇聚节点,该汇聚节点分别和其余各普通节点分别两两组成一组;
第二步,无线传感网中的所有节点均对同一区域内的任一待监测目标的电磁信号进行监测,经过一段观测时间后,汇聚节点将自己接收到的电磁信号广播出去,各普通节点接收到汇聚节点发出的信号后,将其与普通节点自身接收的电磁信号做互相关处理,计算互相关模值的峰值或互相关实部的峰值;
第三步,选定检测值的类型,采用互相关模值的峰值或互相关实部的峰值,各普通节点根据检测值的类型,将其相应的数据发回给汇聚节点,汇聚节点根据这些信息,估计各组节点检测值的均值和协方差矩阵即互相关模值的峰值或互相关实部的峰值的均值和协方差矩阵,从而得到其相应的概率密度函数;
第四步,在第三步得到的检测值概率密度函数的基础上,汇聚节点将各组节点的检测值在整个实数范围内划分成一个个离散的区间,对每组节点而言,其检测值在其离散区间上的概率相等,然后汇聚节点在这些离散的检测值区间上采用Gauss-Seidel迭代方法来搜索贝叶斯准则下的最佳本地检测规则;
第五步,汇聚节点将搜索到的最佳本地检测规则发送给各普通节点,各普通节点重复步骤二,依据最佳检测规则来对其检测值即互相关模值的峰值或互相关实部的峰值进行判决,以对未知发射机的活动与否进行检测。
2.根据权利要求1所述的适用于无线传感网的基于互相关的分布式信号检测实现方法,其特征是它具体包括以下步骤:
(a)、某电磁环境中有一个待监测目标T1,某频谱监测传感网中Np+1个节点{S0,S1,S2,S3,S4,...,SNp},根据节点的处理能力、所处位置、分配任务等,设置节点S0为汇聚节点,节点{S1,S2,S3,S4,...,SNp}为普通节点,然后,再由汇聚节点分别和每个普通节点两两组成一组,即S0和S1、S0和S2、S0和S3、S0和S4、...、S0和SNp分别组成Np组,假设Np=4;
(b)、从某一时刻起,频谱监测传感网开始监测某区域内的电磁环境,经过一段时间后,汇聚节点S0将其接收信号广播给普通节点S1,S2,S3,S4,普通节点S1,S2,S3,S4再将广播信号与其接收信号做互相关处理,然后找到互相关模值的峰值或互相关实部的峰值,
假设待监测目标T1发出的信号是直接到达接收节点的,节点Si的接收信号为
依据下述表达式,将汇聚节点S0的接收信号与普通节点Si的接收信号做互相关处理,即
其中,上标“*”表示取共轭,k表示采样信号的时间序号,τ表示延时,K表示参与互相关运算的采样个数,
检测值yi的选取可以有两种情况,一种是选取互相关模值的峰值,即
另一种是选取互相关实部的峰值,即
其中,|·|表示取模值,real(·)表示取实部,max(·)表示取最大值,arg(·)表示其对应的参数;
(c)、普通节点S1,S2,S3,S4将找到的检测值即互相关模值的峰值或互相关实部的峰值,发回给汇聚节点S0,汇聚节点S0根据这些信息,估计每组节点检测值的均值和协方差矩阵,从而得到其相应的概率分布,
1)如果选择互相关实部的峰值作为检测值yi,即
则可知y1,y2,y3,y4服从联合高斯分布,且在给定H0和H1的情况下其均值向量u0,u1与协方差矩阵C0,C1可通过下式来估计,即
其中,yj (m)表示第j组节点检测量的第m个检测值,[ui]j表示向量ui的第j个元素,M表示参与统计特性估计的检测值个数;
2)如果选择互相关模值的峰值作为检测值yi,即
其中,|·|表示取模值,max(·)表示取最大值,arg(·)表示其对应的参数,
在H0成立的情况下,y1,y2,y3,y4的联合分布为
其中,[·]ij表示矩阵第i行第j列元素,|·|表示矩阵的行列式,上标R和I分别表示复变量的实部和虚部,且
其中,|·|表示矩阵的行列式,[·]ij表示矩阵第i行第j列元素,[·]i表示向量第i个元素,上标R和I分别表示复变量的实部和虚部,BesselI(0,x)表示输入变量为x的第一类修正零阶贝塞尔函数,且
Ca=φ14cos(θ1-ψ14)+φ24cos(θ2-ψ24)+φ34cos(θ3-ψ34)+ξ4
Cs=φ14sin(θ1-ψ14)+φ24sin(θ2-ψ24)+φ34sin(θ3-ψ34)+γ4
(d)、在第三步得到的检测值概率密度函数的基础上,汇聚节点将各组节点的检测值在整个实数范围内划分成一个个离散的区间,对每组节点而言,其检测值在其离散区间上的概率相等,从而将贝叶斯准则下的最佳本地检测规则离散化,然后,采用Gauss-Seidel迭代搜索的方法,找到此时的最佳本地检测规则,
根据贝叶斯准则,平均贝叶斯代价函数可表示为
CBayes(I1(y1),…,I4(y4);F)=C00P0P(u0=0|H0)+C01P1P(u0=0|H1)
+C10P0P(u0=1|H0)+C11P1P(u0=1|H1)
其中,yi为第i组节点的检测值,ui=Ii(yi)为第i组节点的检测结果,Ii(·)为第i组节点的检测规则,F为融合规则,u0为融合检测结果,Cij(i=0,1,j=0,1)表示判决Hi为真而实际Hj为真时所付出的代价,P1和P0分表表示两个假设H1和H0的先验概率,P(u0=i|Hj)表示在给定假设Hj情况下融合检测结果为u0=i的概率,
假设融合规则F采用K=2的K秩序规则,即
F(u1,u2,u3,u4)=1-(1-u1)(1-u2)(1-u3)(1-u4)-u1(1-u2)(1-u3)(1-u4)
-u2(1-u1)(1-u3)(1-u4)-u3(1-u1)(1-u2)(1-u4)-u4(1-u1)(1-u2)(1-u3)
则,
1-F(u1,...,u4)=(1-u1)P11(u2,u3,u4)+P12(u2,u3,u4)
=(1-u2)P21(u1,u3,u4)+P22(u1,u3,u4)
=(1-u3)P31(u1,u2,u4)+P32(u1,u2,u4)
=(1-u4)P41(u1,u2,u3)+P42(u1,u2,u3)
其中
P11(u2,u3,u4)=u2(1-u3)(1-u4)+u3(1-u2)(1-u4)+u4(1-u2)(1-u3)
P12(u2,u3,u4)=(1-u2)(1-u3)(1-u4)
P21(u1,u3,u4)=u1(1-u3)(1-u4)+u3(1-u1)(1-u4)+u4(1-u1)(1-u3)
P22(u1,u3,u4)=(1-u1)(1-u3)(1-u4)
P31(u1,u2,u4)=u1(1-u2)(1-u4)+u2(1-u1)(1-u4)+u4(1-u1)(1-u2)
P32(u1,u3,u4)=(1-u1)(1-u2)(1-u4)
P41(u1,u2,u3)=u1(1-u2)(1-u3)+u2(1-u1)(1-u3)+u3(1-u1)(1-u2)
P42(u1,u2,u3)=(1-u1)(1-u2)(1-u3)
(e)、汇聚节点S0再将找到的步骤d中搜索到的最佳本地检测规则发送给普通节点S1,S2,S3,S4,各普通节点将最佳检测规则存储在规则存储器中,然后,依据最佳检测规则,利用节点对的互相关值对检测目标的活动与否进行检测判决。
3.根据权利要求2所述的适用于无线传感网的基于互相关的分布式信号检测实现方法,其特征是步骤d中,最佳本地检测规则的搜索步骤为:
Step1:设定参数先验概率P1和P0、代价因子Cij(i=0,1,j=0,1)和循环控制因子ε,
Step2:根据联合概率密度函数p(y1,y2,y3,y4|H1)求解边缘概率密度函数p(yi|H1)(i=1,...,4),如果检测值采用互相关实部的峰值,那么
p(yi|H1)□N([u1]i,[C1]ii),i=1,2,3,4
如果检测值采用互相关模值的峰值,那么
Step3:分别确定y1,y2,y3,y4对应划分区间的个数N1,N2,N3,N4,求解等概率划分区间,即求解方程
从而得到相应的区间(-∞,yi1),[yi1,yi2),...,[yi(Ni-1),+∞),此时,得到的这组区间序列可使检测值yi落在每个区间的概率相同,Δyim表示检测值yi的第m个划分区间的长度,
Step4:设定一组初始规则,记作
Step5:设定迭代计数器i=0,
Step6:根据下述公式迭代更新本地检测规则,即
m1=1,…,N1
m2=1,…,N2
m3=1,…,N3
m4=1,…,N4
其中,yim(i=1,...,4,m=1,...,Ni)是检测值yi第m个划分区间的中间值,
Step7:如果
则跳到Step8,否则,i=i+1,然后跳到Step6,
Step8:得到最终的本地最优判决规则,即
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110387587.2A CN102404061B (zh) | 2011-11-29 | 2011-11-29 | 适用于无线传感网的基于互相关的分布式信号检测实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110387587.2A CN102404061B (zh) | 2011-11-29 | 2011-11-29 | 适用于无线传感网的基于互相关的分布式信号检测实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102404061A true CN102404061A (zh) | 2012-04-04 |
CN102404061B CN102404061B (zh) | 2014-04-02 |
Family
ID=45885895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110387587.2A Expired - Fee Related CN102404061B (zh) | 2011-11-29 | 2011-11-29 | 适用于无线传感网的基于互相关的分布式信号检测实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102404061B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102738794A (zh) * | 2012-07-23 | 2012-10-17 | 海南电网公司 | 一种赛德尔式递推贝叶斯方法及其在状态估计中的应用 |
CN103701544A (zh) * | 2013-12-30 | 2014-04-02 | 中国舰船研究设计中心 | 一种舰面电磁环境数据无线自动测量方法 |
CN103986498A (zh) * | 2014-05-14 | 2014-08-13 | 北京理工大学 | 一种基于图论的伪随机码优化方法 |
CN106338270A (zh) * | 2016-08-30 | 2017-01-18 | 杨志飞 | 一种模块化搭建的通用北斗高精度测量平台 |
CN106687773A (zh) * | 2014-09-04 | 2017-05-17 | Pcms控股公司 | 用于基于上下文事件检测的传感器节点局部化和传感器网络组织的系统和方法 |
WO2023065816A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 通信方法、装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080109182A1 (en) * | 2006-11-06 | 2008-05-08 | Samsung Electronics Co., Ltd. | Method and apparatus for calibrating position of image sensor, and method of detecting position of image sensor |
CN101730301A (zh) * | 2009-12-08 | 2010-06-09 | 西安元智系统技术有限责任公司 | 一种无线传感器网络及基于该传感器网络的水质监测系统 |
WO2011137426A2 (en) * | 2010-04-30 | 2011-11-03 | Cornell University | Methods and apparatus for event detection, propagation and localization using uwb impulse radios |
-
2011
- 2011-11-29 CN CN201110387587.2A patent/CN102404061B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080109182A1 (en) * | 2006-11-06 | 2008-05-08 | Samsung Electronics Co., Ltd. | Method and apparatus for calibrating position of image sensor, and method of detecting position of image sensor |
CN101730301A (zh) * | 2009-12-08 | 2010-06-09 | 西安元智系统技术有限责任公司 | 一种无线传感器网络及基于该传感器网络的水质监测系统 |
WO2011137426A2 (en) * | 2010-04-30 | 2011-11-03 | Cornell University | Methods and apparatus for event detection, propagation and localization using uwb impulse radios |
Non-Patent Citations (1)
Title |
---|
何友 彭应宁: "多传感器分布式检测综述", 《系统工程与电子技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102738794A (zh) * | 2012-07-23 | 2012-10-17 | 海南电网公司 | 一种赛德尔式递推贝叶斯方法及其在状态估计中的应用 |
CN102738794B (zh) * | 2012-07-23 | 2014-12-10 | 海南电网公司 | 基于赛德尔式递推贝叶斯估计的电网拓扑错误辨识方法 |
CN103701544A (zh) * | 2013-12-30 | 2014-04-02 | 中国舰船研究设计中心 | 一种舰面电磁环境数据无线自动测量方法 |
CN103701544B (zh) * | 2013-12-30 | 2016-01-13 | 中国舰船研究设计中心 | 一种舰面电磁环境数据无线自动测量方法 |
CN103986498A (zh) * | 2014-05-14 | 2014-08-13 | 北京理工大学 | 一种基于图论的伪随机码优化方法 |
CN103986498B (zh) * | 2014-05-14 | 2016-04-27 | 北京理工大学 | 一种基于图论的伪随机码优化方法 |
CN106687773A (zh) * | 2014-09-04 | 2017-05-17 | Pcms控股公司 | 用于基于上下文事件检测的传感器节点局部化和传感器网络组织的系统和方法 |
CN106687773B (zh) * | 2014-09-04 | 2020-02-14 | Pcms控股公司 | 基于上下文事件检测的传感器节点定位和传感器网络组织 |
CN106338270A (zh) * | 2016-08-30 | 2017-01-18 | 杨志飞 | 一种模块化搭建的通用北斗高精度测量平台 |
WO2023065816A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 通信方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102404061B (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102404061B (zh) | 适用于无线传感网的基于互相关的分布式信号检测实现方法 | |
CN102147468B (zh) | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
CN103124396A (zh) | 基于交叉粒子群的无线传感器网络移动节点定位方法 | |
CN104410981B (zh) | 一种无线传感器网络中信标节点可信度评估方法 | |
Alsayyari et al. | An empirical path loss model for wireless sensor network deployment in an artificial turf environment | |
CN104320845A (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
CN102064895A (zh) | Rssi与模式匹配相结合的无源定位方法 | |
CN105163382A (zh) | 一种室内区域定位优化方法及系统 | |
TWI385410B (zh) | 用於定位系統之跳頻方法 | |
Yadav et al. | A systematic review of localization in WSN: Machine learning and optimization‐based approaches | |
CN104202106B (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
Büyükçorak et al. | A Bayesian perspective on RSS based localization for visible light communication with heterogeneous networks extension | |
Stocker et al. | Performance of support vector regression in correcting UWB ranging measurements under LOS/NLOS conditions | |
Nayan et al. | Filters for device-free indoor localization system based on rssi measurement | |
Shoari et al. | Detection of a non-cooperative transmitter in Rayleigh fading with binary observations | |
CN105093186A (zh) | 一种基于异构雷达传感网的多目标融合检测方法 | |
CN104301996A (zh) | 一种无线传感器网络定位方法 | |
Li et al. | Designing localization algorithms robust to signal strength attacks | |
CN105717529A (zh) | 一种基于无线电信号路测功率值的信源定位方法 | |
CN107703504A (zh) | 一种基于随机集的多点定位目标跟踪方法 | |
Xu et al. | Variance-based fingerprint distance adjustment algorithm for indoor localization | |
Rajagopalan | Multi-objective optimization algorithms for sensor network design | |
CN106093909A (zh) | 适用于分簇结构的rsn的多跳恒虚警信息融合判决方法 | |
Ramesh et al. | Performance enhancement in distributed sensor localization using swarm intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140402 Termination date: 20141129 |
|
EXPY | Termination of patent right or utility model |