分散序列假设检验的渐进最优理论在传感器网络中的应用

摘要

在传感器网络中,分散序列假设检验问题常被研究学习。本文在研究这些传感器网络时,假设各个传感器相互独立的收集观测信息,并在共识原则下,经过综合处理后,将概要信息传递到信息融合中心,并由信息融合中心做出最终决策。
　　在研究传感器网络中分散序列假设检验问题时,根据传感器能否完全访问自身过去的观测信息,传感器网络系统可分为两类:拥有完整本地内存的系统和本地内存有限的系统。在研究传感器网络时,可以针对这两类分别建立相应的渐进贝叶斯序列检验。在研究第一、二类系统时,本文得到了一个有趣的但非常有用的推论,并且在研究第二类系统时,提出了一个新的极值方案,即最优平稳传感器量化器检验,来规定平稳传感器信息函数的最优选择。在传感器信息受高斯噪声影响的情况下,对它进行了详细的研究,并提供了极值方案处理最优平稳二元量化器的解法。
　　最后通过湖南雪峰山高速公路实证模型检验,证实了新方案的可能性,分析了极值方案相较其他常用方案的优势所在,并验证了我们的决策判断。研究结果表明:在拥有完整本地内存的系统中,信息融合中心的反馈信息并不能进一步促进检验的渐进表现;而在本地内存有限的系统中,即使单发微量的反馈信息也可以显著的增加其渐进表现。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究概况

1.3 研究思路和主要内容

2 假设检验的基本思想及问题公式化

2.1 假设检验的基本思想

2.2 传感器网络问题的分类

2.3 传感器网络检验问题公式化

3 系统拥有完整的本地内存

3.1 构建检验?A?c?

3.2 渐进最优性

3.3 附加备注

4 系统的本地内存有限

4.1 构建检验?B?c?

4.2 渐进最优性

4.3 附加备注

5 平稳传感器信息函数

5.1 平稳信息函数检验

5.2 极值方案

6 实例检验

7 总结

致谢

参考文献

附录