论文部分内容阅读
无线传感器网络在任务关键性(Mission-critical)检测应用中具有非常严格的性能要求,例如极低的系统虚警率和要求较高的检测准确率等。然而,由于物理环境的不确定性和节点自身的差异导致传感器节点的采样数据呈现出不同的质量特性,从而影响系统的检测性能。作为消除噪声和自身制造差异等因素影响并提高系统精确度的有效方法,数据融合技术能收集和融合多个传感器节点的采样结果,充分利用节点之间的协作关系,在数据质量较低的情况下实现高性能的系统检测。然而,传统的数据融合技术通常使用简单的投票机制和贝叶斯准则,需要以预先假设的目标事件先验概率和代价因子作为已知条件和分析基础,而先验概率在实际应用中却难以进行精确的估计。基于概率检测模型设计出最优的检测机制成为实际应用的瓶颈;根据上述问题,本文使用了概率数据融合模型,先后利用N-P准则和最大最小化准则,分析和设计用于优化检测质量的决策融合机制。首先,在传统的决策融合理论基础上,设计了使用奈曼-皮尔逊判定准则下由虚警率条件约束的最大检测准确概率的检测规则,并推导出局部判决阀值和全局判决阀值的求解方法;其次,针对预先假设的先验概率和代价因子难以预估的问题,提出了基于最大最小化原则的决策融合机制,推导出无需检测目标事件发生先验概率和代价因子的最优融合阀值推导方法;最后,通过不同的仿真场景设置进行数值分析和仿真,并与传统的数据融合方法进行比较,验证了本文提出方法的有效性。这些优化机制的分析和提出,将对传感器网络中数据融合技术的相关研究提供理论上和实践上的参考和借鉴。