CN103746754B - 基于概率统计的检测可靠性估计方法 - Google Patents
基于概率统计的检测可靠性估计方法 Download PDFInfo
- Publication number
- CN103746754B CN103746754B CN201310736786.9A CN201310736786A CN103746754B CN 103746754 B CN103746754 B CN 103746754B CN 201310736786 A CN201310736786 A CN 201310736786A CN 103746754 B CN103746754 B CN 103746754B
- Authority
- CN
- China
- Prior art keywords
- local
- testing result
- buffer memory
- probability
- detection
- 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.)
- Active
Links
Abstract
本发明公开了一种用于情报侦察网络中基于概率统计的检测可靠性估计方法。该方法用于由多个检测节点协作对无线信号进行检测的情报侦察网络。该方法利用信息融合中心存储的历史的本地和全局检测结果,对各个检测节点的本地检测结果可靠性进行估计,使得信息融合中心能够在信息融合中考虑本地检测结果可靠性对全局检测可靠性的影响。现有技术相比,本发明的技术优势在于:(1)降低了报告信道的设计复杂度;(2)减小了报告信道的数据开销,提高了系统的效率。因此本发明特别适用于采用无线报告信道的侦察网络。
Description
技术领域
本发明涉及情报侦察网络对无线信号探测中的一种检测可靠性估计方法,特别是一种基于概率统计的检测可靠性估计方法。
背景技术
无线电信号是重要的情报来源,采用电子技术和设备检测并发现空中的无线信号是情报侦察的关键技术之一。在情报侦察中,为了提高无线电信号检测的可靠性,通常采用多节点协作的方式,将多个检测节点组成侦察网络,通过信息融合中心将各个检测节点的本地检测结果经过融合后,给出全局检测的结果,如图1所示。相对与单一检测节点的侦察方式,多节点组网充分利用各个节点地理位置差异带来的空间分集增益,能够有效提高检测结果的可靠性。
但是,检测节点地理位置的差异也带来了传播环境的差异。当目标信号出现时,各个检测节点接收到的是同一目标信号经历不同传播环境后的副本,因此各个检测节点的检测可靠性必然存在差异。在信息融合中,必须充分考虑检测节点可靠性的差异对融合结果的影响,使得可靠性高的节点在融合中能够获得更大的权重。为此,融合中心在融合时必须能够获得检测节点的本地检测结果可靠性指标。
为了实现对本地检测结果可靠性的估计,目前的侦察网络主要通过检测节点接收到目标信号的平均信噪比估计检测节点的可靠性,其实现方法主要由两种:
1)由各个检测节点根据目标信号的平均信噪比估计检测可靠性后,将可靠性指标通过报告信道上传至融合中心
2)各个检测节点将目标信号的平均信噪比通过报告信道上传至信息融合中心后,由融合中心估计各个检测节点的可靠性。
现有的两种实现方式都需要由检测节点通过报告信道向信息融合中心传输额外的数据信息,这两种方式都存在以下问题:(1)增加报告信道设计的复杂度;(2)显著增大报告信道的数据开销,降低系统的整体效率。尤其对于采用无线报告信道的侦察网络来说,报告信道的频谱资源是受限的,因此上述方法在采用无线报告信道的网络中是难以实现的。
发明内容
本发明的目的在于提供一种基于概率统计的检测可靠性估计方法,实现信息融合中心对检测节点可靠性指标的估计。
实现本发明的技术解决方案为:
步骤1:信息融合中心融合本检测周期内各个检测节点的本地检测结果,得到本检测周期的全局检测结果。
步骤2:更新融合中心缓存,将本检测周期的本地和全局检测结果存入缓存。
步骤3:利用缓存内历史的本地和全局检测结果,以及缓存内的全局检测结果的可靠性指标,估计本地检测结果的可靠性指标。
步骤4:利用缓存内的本地检测的可靠性指标,计算全局检测结果的可靠性指标。
步骤5:将步骤3计算所得的本地检测结果可靠性指标和步骤4计算所得的全局检测结果可靠性指标存入缓存,覆盖缓存内原有数据。
步骤6:返回步骤1,等待开始下一检测周期。
本发明中,检测节点的可靠性估计由信息融合中心执行,信息融合中心对本地检测可靠性指标的估计主要依赖缓存中历史的本地和全局检测结果,因此不需要在报告信道中传输额外数据信息。现有技术相比,本发明的技术优势在于:(1)降低了报告信道的设计复杂度;(2)减小了报告信道的数据开销,提高了系统的效率。因此本发明特别适用于采用无线报告信道的侦察网络。
附图说明
图1为采用多节点协作检测的侦察网络示意图;
图2为侦察网络对信号的周期性检测方式示意图;
图3为信息融合中心的信息融合过程示意图
具体实施方式
下面结合说明书附图对本发明进行进一步详述:
本发明涉及的侦察网络中,进行协作的N个检测节点保持时间同步,采用周期性检测的方式不间断的进行侦察活动,如图2所示。
一个检测周期分为三个时隙:检测时隙、报告时隙和信息融合时隙。
在检测时隙,各个检测节点进行信号检测,并给出各自的本地检测结果li(i=1,2,…,N)。其中,i为检测节点编号,N为侦察网络中参与协作的检测节点个数,li的取值为
在报告时隙,各个检测节点通过报告信道向信息融合中心上报各自的本地检测结果。
在信息融合时隙,信息融合中心根据本地检测结果的可靠性对来自不同检测节点的本地检测结果进行加权,并根据加权结果最后得出本检测周期的全局检测结果g。
全局检测结果g是li的函数,因此信息融合的方案可以表示为
其中,[□]1×N表示下标从1到N的全体元素构成的向量,[li]1×N为N个本地检测结果构成的向量。f(□)根据具体情况选取,其表达式的确定不在本专利的技术方案之内。
在融合过程中,本地检测结果li的可靠性主要由两个指标来衡量:本地检测正确检出率Pd,i和误检率Pf,i,其定义为
其中,H0表示目标信号实际不存在,H1表示目标信号实际存在。
类似的,可以定义全局检测结果g的可靠性指标:全局检测正确检出率Pd和误检率Pf
在本发明中,融合中心的缓存包括一个(N+1)×M的二进制数缓存和一个(N+1)×2的浮点数缓存。其中,二进制数缓存用来存储历史的本地和全局检测结果,浮点数缓存用来存储本地和全局检测的可靠性指标。
二进制数缓存的第i(i=1,2,…,N)行存储了第i个检测节点上传的本地检测结果,第N+1行存储了全局检测结果。缓存每一列存储的是同一周期内的本地和全局检测的结果。因此,(N+1)×M的二进制数缓存共能存储M个周期内的本地和全局检测结果。
浮点数缓存第i(i=1,2,…,N)行的两列分别存储第i个检测节点的本地检测正确检出率Pd,i和误检率Pf,i,第N+1行的两列存储全局检测正确检出率Pd和误检率Pf。
结合图3,下面详细说明本发明的实施过程:
步骤1:信息融合中心融合本检测周期内N个检测节点的本地检测结果,得出本检测周期的全局检测结果g。
步骤2:更新信息融合中心缓存,将本检测周期的本地和全局检测结果存入二进制数缓存。
更新缓存中的过程如下:
1)丢弃二进制数缓存中最早的一个周期的N个本地检测结果和全局检测结果,对应于图中缓存第1列;
2)二进制数缓存剩余数据左移一位,空出最后一列的存储空间;
3)将本检测周期内检测节点i(i=1,2,…,N)的本地检测结果li存入二进制数缓存的第i行第M列的存储空间内;将全局检测结果存入第N+1行第M列的存储空间内。
步骤3:利用缓存内历史的本地和全局检测结果,以及全局检测正确检出率Pd和误检率Pf,估计本周期本地检测结果的可靠性指标Pd,i和Pf,i。
通过对比每个周期内二进制缓存中存储的历史的本地和全局检测结果,融合中心可以对每个检测节点i统计事件{li=1|g=1}和事件{li=1|g=0}发生的次数,进而得到概率P{li=1|g=1}和P{li=1|g=0}。根据全概率公式,上述概率可以表示为
其中,P{H1}和P{H0}分别表示目标信号出现和不出现的先验概率,取决于目标信号本身的特征,是可以预先获得的已知量。
令
c1=P{li=1|g=1}(7)
c2=P{li=1|g=0}(10)
将公式(5)-(9)代入公式(4)可得
利用公式(11)即可求出各个检测节点的本地检测结果可靠性指标。
步骤4:利用步骤3求得的本地检测结果可靠性指标Pd,i和Pf,i,计算全局检测结果的可靠性指标。
定义本地检测向量空间L,记为
L={[li]1×N|li=1或0,1≤i≤N}(12)
本地向量检测空间给出了各个检测节点本地检测结果li所有可能的组合。
当目标信号实际存在,且全局检测结果为1时,全局检测正确。相应的全局检测正确概率可以记为
为了区别于本检测周期内实际的本地检测结果li,此处用来表示满足全局检测结果为1的特定的本地检测结果取值。
其中,为H1条件下,N检测节点的本地检测结果为的概率,该概率表示为
类似的,当目标信号实际不存在,且全局检测结果为1时,全局检测误检概率可以记为
其中
上述计算过程可以用流程详细描述如下:
1)在目标信号实际存在的假设H1下,遍历本地检测向量空间L,对空间中每一种可能的本地检测结果向量计算全局检测结果;
2)从向量空间L中选出满足以下条件的本地检测结果向量
3)根据公式(14)计算每个符合公式(17)的发生的概率;
4)将3)中计算所得的所有概率相加即全局检测的正确检出Pd;
5)在目标信号实际存在的假设H0下,遍历本地检测向量空间L,对空间中每一种可能的本地检测结果向量计算全局检测结果;
6)从向量空间L中选出满足(17)条件的本地检测结果向量
7)根据公式(16)计算每个符合公式(17)的发生的概率;
8)将7)中计算所得的所有概率相加即全局检测的误检率Pf;
上述流程中,3)和7)计算过程中需要的本地检测可靠性指标Pd,i和Pf,i,来自于浮点数缓存中存储的值。
步骤5:将步骤3计算所得的各个检测节点的本地检测结果可靠性指标Pd,i和Pf,i,存入浮点数缓存的1~N行,覆盖缓存内原来存储的数据;将步骤4计算所得的全局检测结果可靠性指标Pd和Pf,存入浮点数缓存的第N+1行,覆盖缓存内原来存储的数据。
步骤6:返回步骤1,等待开始下一个检测周期。
Claims (4)
1.基于概率统计的检测可靠性估计方法,其特征在于,包括如下步骤:
步骤1:各个检测节点将本地检测结果经过信息融合中心融合,得出本检测周期的全局检测结果;
步骤2:更新融合中心缓存,将本检测周期的本地和全局检测结果存入信息融合中心设置的缓存中;
步骤3:利用缓存内历史的本地和全局检测结果,以及缓存内的正确检出率和误检率,估计本地检测结果的可靠性指标;
步骤4:利用缓存内的本地检测可靠性指标,计算全局检测结果的可靠性指标;
步骤5:将步骤3计算所得的本地检测结果可靠性指标和步骤4计算所得的全局检测结果可靠性指标存入缓存,覆盖缓存内原有数据;
步骤6:返回步骤1,等待开始下一检测周期。
2.根据权利要求1所述的基于概率统计的检测可靠性估计方法,其特征在于:所述缓存够存储若干个检测周期内的本地和全局检测结果,及本地检测和全局检测的可靠性指标。
3.根据权利要求1所述的基于概率统计的检测可靠性估计方法,其特征在于,步骤3中本地检测结果的可靠性指标的计算方法包括如下步骤:
1)N个参与协作的检测节点的本地检测结果记为li(i=1,2,…,N);其中,i为检测节点编号,N为侦察网络中参与协作的检测节点个数,li的取值为
2)全局检测结果g是li的函数,因此信息融合的方案可以表示为
其中,[li]1′N为N个本地检测结果构成的向量;
3)在融合过程中,本地检测结果li的可靠性由本地检测正确检出率Pd,i和误检率Pf,i两个指标来衡量,其定义为
其中,H0表示目标信号实际不存在,H1表示目标信号实际存在;
4)定义全局检测结果g的可靠性指标:全局检测正确检出率Pd和误检率Pf
5)通过对比每个周期内缓存中存储的历史的本地和全局检测结果,融合中心可以对每个检测节点i统计事件{li=1|g=1}和事件{li=1|g=0}发生的次数,进而得到概率P{li=1|g=1}和P{li=1|g=0},根据全概率公式,概率P{li=1|g=1}和P{li=1|g=0}可以表示为
其中,H0表示目标信号实际不存在,H1表示目标信号实际存在,P{H1}和P{H0}分别表示目标信号出现和不出现的先验概率,取决于目标信号本身的特征,是可以预先获得的已知量;
6)令
c1=P{li=1|g=1}
c2=P{li=1|g=0}
则检测节点i的本地检测可靠性指标为
4.根据权利要求1所述的基于概率统计的检测可靠性估计方法,其特征在于,步骤4中全局检测结果的可靠性指标的计算方法如下:
步骤4-1:在目标信号实际存在的假设H1下,遍历本地检测向量空间L,对空间中每一种可能的本地检测结果向量计算全局检测结果;
其中本地检测向量空间L的定义为:
L={[li]1×N|li=1或0,1≤i≤N}
本地向量检测空间给出了各个检测节点本地检测结果li所有可能的组合;
步骤4-2:从向量空间L中选出满足的本地检测结果向量
表示满足全局检测结果为1的本地检测结果取值;
步骤4-3:根据 计算每个满足的发生的概率,其中,本地检测可靠性指标Pd,i来自于融合中心缓存中存储的值;
步骤4-4:将上一步计算所得的所有概率相加,得到全局检测的正确检测概率Pd;
步骤4-5:在目标信号实际存在的假设H0下,遍历本地检测向量空间L,对空间中每一种可能的本地检测结果向量计算全局检测结果;
步骤4-6:从向量空间L中选出满足的本地检测结果向量
步骤4-7:根据 计算每个符合的发生的概率,其中,本地检测可靠性指标Pf,i来自于融合中心缓存中存储的值;
步骤4-8:将上一步计算所得的所有概率相加,得到全局检测的误检概率Pf。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310736786.9A CN103746754B (zh) | 2013-12-27 | 2013-12-27 | 基于概率统计的检测可靠性估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310736786.9A CN103746754B (zh) | 2013-12-27 | 2013-12-27 | 基于概率统计的检测可靠性估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103746754A CN103746754A (zh) | 2014-04-23 |
CN103746754B true CN103746754B (zh) | 2016-01-20 |
Family
ID=50503750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310736786.9A Active CN103746754B (zh) | 2013-12-27 | 2013-12-27 | 基于概率统计的检测可靠性估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103746754B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108989829A (zh) * | 2018-08-01 | 2018-12-11 | 南京邮电大学 | 基于双层驱动干扰协调的视频直播系统及其实现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101511092A (zh) * | 2009-01-04 | 2009-08-19 | 中国人民解放军理工大学 | 基于二重可信的协同频谱感知方法 |
CN102057711A (zh) * | 2008-06-04 | 2011-05-11 | 艾利森电话股份有限公司 | 与频谱感知有关的方法和设备 |
CN102118199A (zh) * | 2010-12-15 | 2011-07-06 | 西安交通大学 | 基于空时分集的多天线频谱感知方案的实现方法 |
CN102386985A (zh) * | 2011-10-20 | 2012-03-21 | 北京邮电大学 | 适用于马尔可夫业务模型的频谱感知方法 |
-
2013
- 2013-12-27 CN CN201310736786.9A patent/CN103746754B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102057711A (zh) * | 2008-06-04 | 2011-05-11 | 艾利森电话股份有限公司 | 与频谱感知有关的方法和设备 |
CN101511092A (zh) * | 2009-01-04 | 2009-08-19 | 中国人民解放军理工大学 | 基于二重可信的协同频谱感知方法 |
CN102118199A (zh) * | 2010-12-15 | 2011-07-06 | 西安交通大学 | 基于空时分集的多天线频谱感知方案的实现方法 |
CN102386985A (zh) * | 2011-10-20 | 2012-03-21 | 北京邮电大学 | 适用于马尔可夫业务模型的频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
基于GO法的瓦斯报警器可靠性分析;周真等;《传感器与微系统》;20090320(第03期);第18-20页 * |
基于信息熵的燃气输配管网系统可靠性分析;伍悦滨等;《天然气工业》;20060128(第01期);第126-128、137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103746754A (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103593361B (zh) | 感应网络环境下移动时空轨迹分析方法 | |
US9043174B2 (en) | Estimating loss rates of links in smart grids | |
AU2015277418B2 (en) | Device localization based on a learning model | |
CN103822097B (zh) | 在流体输送管道中估计负压波的波速的方法及装置 | |
US20130124436A1 (en) | Profiling Energy Consumption | |
CN103220707B (zh) | 一种用于lte系统中天线端口数的检测方法 | |
CN107516417A (zh) | 一种挖掘时空关联关系的实时高速公路流量估计方法 | |
CN107144280A (zh) | 识别定位点的方法和装置 | |
CN110348472B (zh) | 数据检测规则生成方法、装置、计算机设备及存储介质 | |
EP2769233A1 (en) | Time of arrival based wireless positioning system | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
CN103729444B (zh) | 一种基于设备监测数据间潜在关系的异常数据检测方法 | |
CN105806400A (zh) | 一种消防栓安全状态智能监测方法及系统 | |
Candelieri et al. | Cost-effective sensors placement and leak localization–the Neptun pilot of the ICeWater project | |
CN103428704A (zh) | 一种频谱感知方法及装置 | |
CN103052162A (zh) | 认知无线电通信系统及用于其中的设备和方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
CN103746754B (zh) | 基于概率统计的检测可靠性估计方法 | |
CN104318072B (zh) | 基于qkf‑mmf的多传感器量化融合方法 | |
CN105636081A (zh) | 基于灰色模型预测的east改进算法 | |
CN103336937A (zh) | 一种基于几何分布的射频标签数目估计方法 | |
Lee et al. | Automatic self-reconstruction model for radio map in Wi-Fi fingerprinting | |
CN103441806B (zh) | 认知无线电的纯不连续马尔可夫过程频谱感知方法 | |
CN103684565A (zh) | 一种确定软比特信息的方法及装置 | |
Jin et al. | Development of Indoor Localization System for Elderly Care Based on Device-Free Passive Method |
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 |