一種適用于rsn的節(jié)點分簇方法及其融合判決方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種雷達傳感器網(wǎng)絡(luò)的節(jié)點分簇方法及其融合判決方法，用于雷達傳 感器網(wǎng)絡(luò)拓撲結(jié)構(gòu)和信息融合領(lǐng)域，旨在提高網(wǎng)絡(luò)的目標檢測性能的同時延長網(wǎng)絡(luò)的生命 周期，屬于雷達傳感器網(wǎng)絡(luò)目標檢測領(lǐng)域。
【背景技術(shù)】
[0002] 雷達傳感器網(wǎng)絡(luò)（radar sensor networks, RSN)是一種由多個雷達傳感器節(jié)點組 成的無線傳感網(wǎng)絡(luò)（wireless sensor networks, WSN)。目的主要是探測和跟蹤目標。RSN 可以通過發(fā)射電磁波從不同的方向來探測目標，根據(jù)目標的回波信號獲取目標的信息。這 些信息經(jīng)嵌入式系統(tǒng)處理后，通過隨機自組織RSN以多跳中繼方式送到用戶終端。RSN通過 對小型雷達傳感器的組網(wǎng)主動式地對待檢測區(qū)域?qū)嵤┍O(jiān)測。RSN的應(yīng)用前景受到了很多國 家和科研機構(gòu)的重視。
[0003] 模糊邏輯系統(tǒng)（fuzzy logic systems, FLS)是以模糊集合論、模糊語言變量和模 糊邏輯推理為基礎(chǔ)的一種計算機數(shù)字控制技術(shù)。模糊控制算法是基于啟發(fā)性的知識及語言 決策規(guī)則設(shè)計的，這有利于模擬人工控制的過程和方法，增強控制系統(tǒng)的適應(yīng)能力，使之 具有一定的智能水平。
[0004] 模糊 c 均值聚類算法（fuzzy-c-means clustering approach, FCM)是一種用模糊 理論對重要數(shù)據(jù)分析和建模的方法。在眾多模糊聚類算法中，F(xiàn)CM算法應(yīng)用最廣泛且較成 功，它通過優(yōu)化目標函數(shù)得到每個樣本點對所有類中心的隸屬度，從而決定樣本點的類屬 以達到自動對樣本數(shù)據(jù)進行分類的目的。
[0005] 節(jié)點分簇算法：目前現(xiàn)有的分簇算法主要是針對WSN而提出，出發(fā)點主要是降低 網(wǎng)絡(luò)的能量消耗、延長網(wǎng)絡(luò)壽命和減少數(shù)據(jù)開發(fā)等。在節(jié)點分簇算法中，根據(jù)簇內(nèi)非簇頭節(jié) 點（non-cluster-head nodes, NCH)到簇頭節(jié)點（cluster heads, CH)的跳數(shù)，可分為簇內(nèi) 單跳與簇內(nèi)多跳算法，即可采用單跳算法的NCH直接與CH進行通信，而多跳算法中的NCH 可通過其他中繼NCH與CH進行通信。目前針對RSN對的節(jié)點分簇算法的的研究還沒有。
[0006] 信息融合是指多傳感器的數(shù)據(jù)在一定準則下加以自動分析、綜合以完成所需的決 策和評估而進行的信息處理過程。信息融合最早用于軍事領(lǐng)域，定義為一個處理探測、互 聯(lián)、估計以及組合多源信息和數(shù)據(jù)的多層次多方面過程，以便獲得準確的狀態(tài)和身份估計、 完整而及時的戰(zhàn)場態(tài)勢和威脅估計。信息融合的常用方法基本上可概括為隨機和人工智能 兩大類，隨機類算法有加權(quán)平均法、卡爾曼濾波法、多貝葉斯估計法、證據(jù)推理、產(chǎn)生式規(guī) 則等；而人工智能類則有模糊邏輯理論、神經(jīng)網(wǎng)絡(luò)、粗集理論、專家系統(tǒng)等。

【發(fā)明內(nèi)容】

[0007] 針對上述存在問題或不足，本發(fā)明提出了一種適用于RSN的節(jié)點分簇方法（a node clustering approach using FLS and FCM)即 NCAFF，主要包括 RSN 如何分族 以及如何選擇CH作為融合中心。并且針對分簇后的RSN提出了一種融合判決方法（a constant-false-alarm-rate decision fusion approach, CDFA)，旨在提高網(wǎng)絡(luò)的目標檢 測性能的同時延長網(wǎng)絡(luò)的生命周期。
[0008] -種適用于RSN的節(jié)點分簇方法NCAFF包括以下步驟：
[0009] 步驟一、RSN分簇，首先使用FCM根據(jù)雷達傳感器（radar sensors，RS)的位置分 布情況將RSN分簇，簇的個數(shù)為c，c多2 ;
[0010] 步驟二、對步驟一分得的每個簇進行FLS設(shè)計，確定簇內(nèi)節(jié)點當選為備選CH的概 率；FLS的輸入分為兩種情況：
[0011] I)、FLSl :RS的剩余能量（residual energy，RE)，RS作為發(fā)射端基站作為接收端 時的信道衰減系數(shù)（the fading envelope of the signal transmitted by the RS to base station，F(xiàn)ESTRBS);
[0012] 2)、FLS2 :RE，F(xiàn)ESTRBS，RS 與基站之間的距離（the distance between RS and base station, DRB)；
[0013] 其中系統(tǒng)的每個輸入都被劃分為三個等級：RE為低，中，高；FESTRBS為小，中，大； DBS為短，中，長；系統(tǒng)的輸出即簇內(nèi)每個節(jié)點當選為備選CH的概率，根據(jù)輸入情況的不同 分為兩種情況：1)、FLSl :輸出劃分為小，中，大三個等級；2)、FLS2 :輸出劃分為非常小，小， 中，大，非常大五個等級；
[0014] 上述兩種FLS的設(shè)計方式都應(yīng)用于RSN的節(jié)點分簇方法中：當網(wǎng)絡(luò)剩余節(jié)點數(shù)目 較多時，以提高網(wǎng)絡(luò)的目標檢測性能為主要目的，選擇FLSl對RSN進行分簇；當網(wǎng)絡(luò)剩余節(jié) 點數(shù)目較少時，以延長網(wǎng)絡(luò)的生命周期為主要目的，選擇FLS2對RSN進行分簇；
[0015] 步驟三、簇內(nèi)備選CH選擇，使用FCM對經(jīng)步驟二后簇內(nèi)當選為備選CH的概率集合 聚類，然后選擇具有最大中心的類內(nèi)成員作為備選CH;
[0016] 步驟四、從備選CH中選出簇內(nèi)最終CH，經(jīng)步驟三選出的備選CH的標號集合為
其中m為備選CH的個數(shù)，如果m = 1，則^即為最終CH ;如果m>l，使用 奇異值分解（singular value decomposition-QR，SVD-QR)方法來選擇最終 CH ;
[0017] SVD-QR 方法：
[0018] 1)對任意備選CH h，1彡i彡m，以h作為接收端簇內(nèi)其他節(jié)點作為發(fā)射 端的信道衰減系數(shù)向量可以表示為
則可以構(gòu)成信道矩陣
[0019] 2)對 H 進行奇異值分解（singular value decomposition，SVD)可得，H =υΣ Vt。其中，U是由HHt的特征向量組成的（n-1) X (n-1)的矩陣，V是由H tH的 特征向量組成的mXm的矩陣，Σ是對角矩陣，對角元素為H的奇異值，可以表示為 σ > σ 2彡…彡σ …彡σ r>〇, r為H的秩，則V可以表示為7 = %為HtH的對應(yīng)特征值為^的特征向量；
[0020] 3)選擇H最大奇異值σ淋應(yīng)的特征向量！對艿進行QR分解W ￡ =淡，則最 終CH為在矩陣E中第一個列向量中1的位置。
[0021] 針對分簇后的RSN的融合判決方法⑶FA，包括以下步驟：
[0022] 步驟一、NCH根據(jù)各自的回波信號做本地二進制判決uke {+1，-1}:當判斷為有 目標H1的時候，Uk= +1 ;無目標Η。時，Uk= -I ;再將判決結(jié)果發(fā)送給相應(yīng)的CH ;RSN分 為c個簇，第i個簇內(nèi)NCH的個數(shù)為N1,1 < i < c ;第i個CH接收到第k個RS的信號為
其中/4為信道衰減系數(shù)，< 為方差為〇 2高斯白噪聲，1彡k彡N1;
[0023] 第i個CH的融合統(tǒng)計表達式Λ "為
[0025] 其中，Pdk為k個RS以if為恒虛警概率的檢測概率；
[0026] 步驟二、應(yīng)用中心極限定理，計算人"的一階和二階統(tǒng)計量為
[0030] 根據(jù)Λ"的一階和二階統(tǒng)計量，第i個CH的判決門限7；(?)和以If為恒虛警概率 的檢測概率控1分別為
[0033] 步驟三、第i個CH以判決門限" >對接收到的融合表達式做二進制判決，再將判決 結(jié)果< 發(fā)送給基站，融合統(tǒng)計表達式Λ ,為
[0035] 其中，夂為基站接收到的來自第i個CH的信號，
<分別為信 道衰減系數(shù)和高斯白噪聲，則根據(jù)步驟二CH的恒虛警判決門限的計算方法可得基站的恒 虛警判決門限。
[0036] 綜上所述，本發(fā)明具有以下有益效果：本發(fā)明針對RSN目標檢測，提出節(jié)點分簇方 法NCAFF，將分簇拓撲結(jié)構(gòu)用于RSN部署，在提高了網(wǎng)絡(luò)的目標檢測性能的同時延長了網(wǎng)絡(luò) 的生命周期；針對分簇后的RSN融合判決方法CFDA保證了從用于監(jiān)測周邊環(huán)境的NCH、CH， 到基站恒定的虛警概率，從而減少誤判。
【附圖說明】
[0037] 圖I FLS的輸入隸屬函數(shù)；
[0038] 圖2 FLSl的輸出隸屬函數(shù)；
[0039] 圖3 FLS2的輸出隸屬函數(shù)；
[0040] 圖4本發(fā)明中分別經(jīng)NCAFF (FLSl)和NCAFF (FLS2)節(jié)點分簇算法，再通過CFARDF 融合判決方法后的RSN的檢測概率；
[0041] 圖5本發(fā)明中分別經(jīng)NCAFF (FLSl)和NCAFF (FLS2)節(jié)點分簇算法，RSN運行900回 合后的網(wǎng)絡(luò)中剩余RS數(shù)目。
【具體實施方式】
[0042] 下面對本發(fā)明的【具體實施方式】作進一步的描述。
[0043] 一種適用于RSN的節(jié)點分簇方法NCAFF包括以下步驟：
[0044] 步驟一、將RS隨機分布在待檢測的區(qū)域內(nèi)；預(yù)估每個節(jié)點的初始能量，確定每個 節(jié)點的位置信息并且計算每個節(jié)點與基站之間的距離；根據(jù)這些節(jié)點的位置信息，使用 FCM將RSN分為c個簇并對每個簇內(nèi)的節(jié)點成員進行編號；
[0045] 步驟二、對每個簇進行FLS設(shè)計，確定簇內(nèi)節(jié)點當選為備選簇頭節(jié)點的概率；FLS 的輸入分為兩種情況：FLS1 (RE、FESTRBS)和 FLS2 (RE，F(xiàn)ESTRBS，DBS);
[0046] 系統(tǒng)的每個輸入都被劃分為三個等級：RE為低，中，高；FESTRBS為小，中，大；DBS 為短，中，長，如圖1所示；系統(tǒng)的輸出，即簇內(nèi)每個節(jié)點當選為備選簇頭節(jié)點的概率，根據(jù) 輸入情況的不同也分為兩種情況：1)、FLSl :輸出劃分為小，中，大三個等級（圖2) ;2)、 FLS2 :輸出劃分為非常小，小，中，大，非常大五個等級（圖3);從圖1，2, 3中可以看到，F(xiàn)LS 的輸入需標準化為〇到10,