异构传感网信号融合关键技术研究

摘要

异构传感网HSN（Heterogeneous Sensor Network）利用不同检测性能、不同通信方式、不同监测功能的异构传感器节点组成网络，具有覆盖区域广、能耗低、获取目标属性参数多样等优点，现已广泛应用于目标检测、定位与跟踪领域。
　　本文以提高检测概率，改善定位跟踪效果为目的，针对HSN的信息融合的关键技术进行了研究。主要研究内容包括：
　　1、针对异构传感网衰落信道下单目标检测融合问题，基于性能异构的假设，提出了一种最优能量分配方案。仿真实验比较了四种算法的检测性能，该四种算法分别定义为最优能量分配似然比算法OEA-LR(the optimized energy allocation-Likelihood Ratio)、最优能量分配近似似然比算法OEA-ALR(the optimized energy allocation-approximate Likelihood Ratio)、等能量分配似然比算法EEA-LR(the equal energy allocation-Likelihood Ratio)与等能量分配近似似然比算EEA-ALR(the equal energy allocation-approximate Likelihood Ratio)。仿真结果表明应用最优能量分配方案的算法的目标融合检测性能明显优于等能量分配的算法。
　　2、针对异构传感网衰落信道下多目标检测融合问题，提出了三种融合方法：最小贝叶斯风险似然函数算法LF-BR(likelihoodfunction with the minimum Bayes risk)，最大似然函数近似似然比算法ALR-ML(approximate likelihood ratio with ML function)及最大似然函数似然比算法LR-ML(likelihood ratio with ML function)，其中ALR-ML是LR-ML的低信噪比下的近似算法。仿真结果表明LR-ML的贝叶斯风险高于LF-BR，但是LR-ML的检测概率高于LF-BR。
　　3、针对运动目标点迹多传感器融合问题，提出了三种新的融合算法：最小范数算法LN（Least Norm）、截断高斯分布最大似然函数算法TGML（Truncate Gaussian Maximum Likelihood）与高斯分布最大似然函数算法GML（Gaussian Maximum Likelihood）。这三种方法分别实现了在微小系统偏差、系统偏差服从截断高斯、一般高斯分布的情况下对目标点迹的融合。仿真结果表明三种算法的性能均随着传感器个数的增多而提高，并且GML算法性能随偏差方差的增大而降低；TGML算法的融合性能不受偏差区间大小的影响。
　　4、针对运动目标的轨迹生成问题，分析了现有的保形分段三次Hermit、分段三次样条与分段线性插值技术的效果。仿真结果表明保形分段三次Hermit插值具有最好的保形性与适用性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文主要研究工作

1.4 本文章节安排

第二章 信息融合的基本模型与目标检测方法

2.1信息融合的功能模型

2.2 信息融合的结构模型

2.3 信息融合的数学模型

2.4 目标检测方法

2.5 本章小结

第三章 异构传感网目标检测融合算法研究

3.1 最优能量分配的单目标检测融合算法研究

3.2 多目标融合检测算法研究

3.3 本章小节

第四章 异构传感网运动目标点迹融合及轨迹生成算法研究

4.1 目标点迹融合算法研究

4.2 轨迹生成算法研究

4.3 点迹融合与轨迹生成仿真性能分析

4.4 本章小结

第五章 全文总结与展望

5.1 全文总结

5.2 工作展望

致谢

参考文献

攻读硕士期间取得的成果