论文部分内容阅读
近年来,无线传感器网络在工业监控、环境监测、智能家居、健康医疗等领域获得了广泛应用。随着传感器的感知、存储和计算能力的日益增强,无线传感器网络正朝着异构化、大流量和智能化的方向发展。决策融合技术能够大幅度降低数据传输量,节约传输耗能,延长WSN工作寿命并提升数据处理精度,是无线传感器网络领域热点研究问题之一。本文对无线传感器网络决策融合问题以及证据理论基础进行了介绍,提出了决策融合的四层模型,并对当前各类决策融合模型进行了总结分析。在此基础上,重点研究了基于证据理论的决策融合算法及其在无线传感器网络中的应用问题。主要工作包括以下三个方面：(1)针对WSN分布式目标分类决策融合问题,提出基于证据理论的可靠度-概率(RP)决策融合算法,并推导出简单明确的融合规则。已有的信度构建算法只是单独考虑分类器的认知不确定性或随机不确定性,具有一定的片面性。本文将信度作为概率的不确定表述,在简单支信度函数框架下,提出了基于决策可靠度-概率的信度构建算法。首先提出基于距离的可靠度计算方法,对决策的可靠度进行量化。随后根据RP信度构建算法得到本地基本信度分配(BBA),最后推导出了全局BBA的表达式并得到了明确的RP融合规则。该规则不仅避免了Dempster组合规则的复杂计算,而且降低了数据通信量。(2)针对WSN分布式目标检测决策融合问题,同样使用RP决策融合算法进行了建模。针对目标信号和噪声信号能量分布函数的不同,提出了基于累积概率密度分布函数信度计算方法,结合传感器的检测率和虚警率构建本地BBA,并且得到了二元检测场景下的BRP决策融合规则。相比已有的基于证据理论的融合方法,本文提出的规则简单易实现,数据传输量更低,且兼容通用的阈值式目标检测模型。(3)通过仿真对比验证本文提出的算法的性能。针对在WSN目标分类中提出的RP策融合算法,使用随机可变数据集和实际车辆传感器数据进行了仿真验证。结果表明,在本地分类精度或传感器数量不同的环境下,本文提出算法的融合结果精确度均明显优于贝叶斯融合和加权融合方法。针对在WSN目标检测提出的BRP决策融合算法,使用了蒙特卡罗方法进行仿真验证。结果表明本文提出的算法在检测性能、分集增益和抗衰落等方面均优于已有的基于证据理论融合、CV融合以及硬决策融合方法。