论文部分内容阅读
本文主要提出了四种新的适用于雷达传感器网络(radar sensor networks,RSN)的分簇算法及相应的恒虚警(constant false alarm rate,CFAR)融合判决方法,旨在延长网络生命周期的同时提高系统的目标检测性能。然后综合这四种分簇算法的优势,提出了RSN的最佳分簇方案。与经典分簇算法the clusterhead election mechanism using fuzzy logic(CHEF)相比,该方案不仅延长了网络40.94%的生命周期,而且在系统不同的信噪比(signal-to-noise ratio,SNR)及基站不同的虚警概率下都有较高的目标检测概率。具体工作及成果如下:1、本文分别针对簇内单跳和簇内多跳,各提出了两种适用于RSN的分簇算法。本文首先使用模糊C均值聚类算法对RSN进行分簇。然后针对簇头选择,设计了两种模糊逻辑系统计算各个雷达传感器的簇头选择概率:具有两个输入(雷达传感器的剩余能量,雷达传感器与基站之间的距离)的模糊逻辑系统(two-antecedent fuzzy logic system,F2)和具有三个输入(F2的两个输入以及由雷达传感器向基站传输信号时的信道增益)的模糊逻辑系统(three-antecedent fuzzy logic system,F3)。若簇内采用单跳传输,本文提出了基于模糊C均值和奇异值分解(fuzzy c-means combined with singular value decomposition-QR,FCMSVDQR)的簇头选择算法,该算法考虑了由簇内非簇头节点向簇头传输信号时的信道增益,提高了簇头融合数据时的接收SNR。若簇内采用多跳传输,具有簇头选择最大概率的雷达传感器将成为簇头,并提出了基于图论的路由选择算法(graph-based optimal routing selection,GORS)。GORS算法考虑了簇内节点多跳传输时的信道增益,减少了多跳路由传输时的信道损耗。将F2、F3分别和FCMSVDQR、GORS相结合,提出了四种分簇算法:基于F2和FCMSVDQR的分簇算法(clustering algorithm using F2 and FCMSVDQR,F2&FCMSVDQR)、基于F3和FCMSVDQR的分簇算法(clustering algorithm using F3 and FCMSVDQR,F3&FCMSVDQR)、基于F2和GORS的分簇算法(clustering algorithm using F2 and GORS,F2&GORS)和基于F3和GORS的分簇算法(clustering algorithm using F3 and GORS,F3&GORS)。这四种分簇算法与现有分簇算法相比,创新点在于首次研究了信道对基于分簇结构的RSN目标检测性能的影响。2、本文针对目标检测,研究了RSN在本文提出的分簇算法下的CFAR融合判决方法。针对单跳结构,提出了小SNR下基于中心极限定理的似然比融合判决方法(low-SNR and likelihood-ratio-based decision fusion in the central limit theory,LLDFCLT)和大SNR下基于Kaplan-Meier估计器的似然比融合判决方法(highSNR and likelihood-ratio-based decision fusion in Kaplan-Meier estimator,HLDFKE),并通过蒙特卡罗仿真分析了经典单跳分簇算法,the low energy adaptive clustering hierarchy(LEACH)、the hybrid energy efficient distributed clustering approach(HEED),与LLDFCLT、HLDFKE相结合的RSN的目标检测性能。针对多跳结构,提出了绝对CFAR融合判决方法(absolute CFAR fusion decision approach for multi-hop transmission,ACFARFD)和相对CFAR融合判决方法(relative CFAR fusion decision approach for multi-hop transmission,RCFARFD)。在ACFARFD中,所有的雷达传感器节点包括中继节点都做CFAR判决;而在RCFARFD中,中继节点使用最大似然估计判决,其它节点做CFAR判决。本文的CFAR融合判决方法与现有的融合方法相比,创新点在于采用了自适应的判决门限使得簇头和基站的虚警概率保持不变。蒙特卡罗仿真分析表明:1)对于单跳融合判决方法,LLDFCLT的检测概率高于HLDFKE;2)对于多跳融合判决方法,RCFARDF的检测概率高于ACFARDF,但RCFARDF中继节点的虚警概率在小SNR下超过了ACFARDF。3、本文使用LLDFCLT单跳融合判决方法和ACFARDF多跳融合判决方法,通过蒙特卡罗仿真比较了本文提出的四种分簇算法与CHEF的能耗、目标检测性能;研究了不同分簇个数对这四种分簇算法能耗和检测性能的影响,进而确定了簇头个数与网络节点总数的最佳比值;分析了不同基站虚警概率对这些分簇算法检测性能的影响。4、RSN的最佳分簇方案为:1)使用模糊C均值聚类算法分簇的簇头个数与网络节点总数的最佳比值为0.08;2)当网络中剩余雷达传感器个数超过网络初始节点个数的50%时,使用F3&FCMSVDQR;3)当网络中剩余雷达传感器个数为网络初始节点个数的10%–50%时,使用F3&GORS;4)当网络中剩余雷达传感器个数小于网络初始节点个数的10%时,使用F2&GORS。本文的分簇算法及相应的CFAR融合判决方法具有显著的检测性能和能耗优势,为RSN的分簇及其应用研究提供了理论依据。