本发明专利技术属于雷达传感器网络目标检测领域，公开了一种适用于RSN的节点分簇方法及其融合判决方法。其中，FF节点分簇算法将雷达传感器网络根据雷达传感器节点的分布情况划分为各个簇，并在每个簇中根据簇内节点的自身条件选出簇头作为簇内信息融合和资源调动、控制中心。融合判决方法将多个雷达传感器的信息分别在簇头和基站进行二次融合并以恒虚警的概率综合判决。FF分簇方法可有效地延长网络的生命周期并提高网络的检测概率；融合判决方法把融合方法和分簇后的雷达传感器网络结合起来，将整个网络的雷达传感器网络的检测结果进行融合，并保证最后的判决结果具有恒定的虚警概率。
【技术实现步骤摘要】
本专利技术涉及一种雷达传感器网络的节点分簇方法及其融合判决方法，用于雷达传 感器网络拓扑结构和信息融合领域，旨在提高网络的目标检测性能的同时延长网络的生命 周期，属于雷达传感器网络目标检测领域。
技术介绍
雷达传感器网络（radar sensor networks, RSN)是一种由多个雷达传感器节点组 成的无线传感网络（wireless sensor networks, WSN)。目的主要是探测和跟踪目标。RSN 可以通过发射电磁波从不同的方向来探测目标，根据目标的回波信号获取目标的信息。这 些信息经嵌入式系统处理后，通过随机自组织RSN以多跳中继方式送到用户终端。RSN通过 对小型雷达传感器的组网主动式地对待检测区域实施监测。RSN的应用前景受到了很多国 家和科研机构的重视。 模糊逻辑系统（fuzzy logic systems, FLS)是以模糊集合论、模糊语言变量和模 糊逻辑推理为基础的一种计算机数字控制技术。模糊控制算法是基于启发性的知识及语言 决策规则设计的，这有利于模拟人工控制的过程和方法，增强控制系统的适应能力，使之 具有一定的智能水平。 模糊 c 均值聚类算法（fuzzy-c-means clustering approach, FCM)是一种用模糊 理论对重要数据分析和建模的方法。在众多模糊聚类算法中，FCM算法应用最广泛且较成 功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属 以达到自动对样本数据进行分类的目的。 节点分簇算法：目前现有的分簇算法主要是针对WSN而提出，出发点主要是降低 网络的能量消耗、延长网络寿命和减少数据开发等。在节点分簇算法中，根据簇内非簇头节 点（non-cluster-head nodes, NCH)到簇头节点（cluster heads, CH)的跳数，可分为簇内 单跳与簇内多跳算法，即可采用单跳算法的NCH直接与CH进行通信，而多跳算法中的NCH 可通过其他中继NCH与CH进行通信。目前针对RSN对的节点分簇算法的的研究还没有。 信息融合是指多传感器的数据在一定准则下加以自动分析、综合以完成所需的决 策和评估而进行的信息处理过程。信息融合最早用于军事领域，定义为一个处理探测、互 联、估计以及组合多源信息和数据的多层次多方面过程，以便获得准确的状态和身份估计、 完整而及时的战场态势和威胁估计。信息融合的常用方法基本上可概括为随机和人工智能 两大类，随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规 则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。
技术实现思路
针对上述存在问题或不足，本专利技术提出了一种适用于RSN的节点分簇方法（a node clustering approach using FLS and FCM)即 NCAFF，主要包括 RSN 如何分族 以及如何选择CH作为融合中心。并且针对分簇后的RSN提出了一种融合判决方法（a constant-false-alarm-rate decision fusion approach, CDFA)，旨在提高网络的目标检 测性能的同时延长网络的生命周期。 -种适用于RSN的节点分簇方法NCAFF包括以下步骤： 步骤一、RSN分簇，首先使用FCM根据雷达传感器（radar sensors，RS)的位置分 布情况将RSN分簇，簇的个数为c，c多2 ; 步骤二、对步骤一分得的每个簇进行FLS设计，确定簇内节点当选为备选CH的概 率；FLS的输入分为两种情况： I)、FLSl :RS的剩余能量（residual energy，RE)，RS作为发射端基站作为接收端 时的信道衰减系数（the fading envelope of the signal transmitted by the RS to base station，FESTRBS); 2)、FLS2 :RE，FESTRBS，RS 与基站之间的距离（the distance between RS and base station, DRB)； 其中系统的每个输入都被划分为三个等级：RE为低，中，高；FESTRBS为小，中，大； DBS为短，中，长；系统的输出即簇内每个节点当选为备选CH的概率，根据输入情况的不同 分为两种情况：1)、FLSl :输出划分为小，中，大三个等级；2)、FLS2 :输出划分为非常小，小， 中，大，非常大五个等级； 上述两种FLS的设计方式都应用于RSN的节点分簇方法中：当网络剩余节点数目 较多时，以提高网络的目标检测性能为主要目的，选择FLSl对RSN进行分簇；当网络剩余节 点数目较少时，以延长网络的生命周期为主要目的，选择FLS2对RSN进行分簇； 步骤三、簇内备选CH选择，使用FCM对经步骤二后簇内当选为备选CH的概率集合 聚类，然后选择具有最大中心的类内成员作为备选CH; 步骤四、从备选CH中选出簇内最终CH，经步骤三选出的备选CH的标号集合为其中m为备选CH的个数，如果m = 1，则^即为最终CH ;如果m>l，使用 奇异值分解（singular value decomposition-QR，SVD-QR)方法来选择最终 CH ; SVD-QR 方法： 1)对任意备选CH h，1彡i彡m，以h作为接收端簇内其他节点作为发射 端的信道衰减系数向量可以表示为则可以构成信道矩阵 2)对 H 进行奇异值分解（singular value decomposition，SVD)可得，H =υΣ Vt。其中，U是由HHt的特征向量组成的（n-1) X (n-1)的矩阵，V是由H tH的 特征向量组成的mXm的矩阵，Σ是对角矩阵，对角元素为H的奇异值，可以表示为 σ > σ 2彡…彡σ …彡σ r>〇, r为H的秩，则V可以表示为7 = %为HtH的对应特征值为^的特征向量； 3)选择H最大奇异值σ淋应的特征向量！对艿进行QR分解W ￡ =淡，则最 终CH为在矩阵E中第一个列向量中1的位置。 针对分簇后的RSN的融合判决方法⑶FA，包括以下步骤： 步骤一、NCH根据各自的回波信号做本地二进制判决uke {+1，-1}:当判断为有 目标H1的时候，Uk= +1 ;无目标Η。时，Uk= -I ;再将判决结果发送给相应的CH ;RSN分 为c个簇，第i个簇内NCH的个数为N1,1 < i < c ;第i个CH接收到第k个RS的信号为其中/4为信道衰减系数，< 为方差为〇 2高斯白噪声，1彡k彡N1; 第i个CH的融合统计表达式Λ "为 其中，Pdk为k个RS以if为恒虚警概率的检测概率； 步骤二、应用中心极限定理，计算人"的一阶和二阶统计量为 根据Λ"的一阶和二阶统计量，第i个CH的判决门限7；(?)和以If为恒虚警概率 的检测概率控1分别为 步骤三、第i个CH以判决门限" >对接收到的融合表达式做二进制判决，再将判决 结果< 发送给基站，融合统计表达式Λ ,为 其中，夂为基站接收到的来自第i个CH的信号，<分别为信 道衰减系数和高斯白噪声，则根据步骤二CH的恒虚警判决门限的计算方法可得基站的本文档来自技高网...
【技术保护点】
一种适用于RSN的节点分簇方法，包括以下步骤：步骤一、RSN分簇：首先使用模糊c均值聚类算法FCM根据雷达传感器RS的位置分布情况将RSN分簇，簇的个数为c，c≥2；步骤二、对步骤一分得的每个簇进行模糊逻辑系统FLS设计，确定簇内节点当选为备选簇头CH的概率；FLS的输入分为两种情况：1)、FLS1：RS的剩余能量RE，RS作为发射端基站作为接收端时的信道衰减系数FESTRBS；2)、FLS2：RE，FESTRBS，RS与基站之间的距离DRB；其中系统的每个输入都被划分为三个等级：RE为低，中，高；FESTRBS为小，中，大；DBS为短，中，长；系统的输出，即簇内每个节点当选为备选CH的概率，根据输入情况的不同分为两种情况：1)、FLS1：输出划分为小，中，大三个等级；2)、FLS2：输出划分为非常小，小，中，大，非常大五个等级；上述两种FLS的设计方式都应用于RSN的节点分簇方法中：当网络剩余节点数目较多时，以提高网络的目标检测性能为主要目的，选择FLS1对RSN进行分簇；当网络剩余节点数目较少时，以延长网络的生命周期为主要目的，选择FLS2对RSN进行分簇；步骤三、簇内备选CH选择：使用FCM对经步骤二后簇内当选为备选CH的概率集合聚类，然后选择具有最大中心的类内成员作为备选CH；步骤四、从备选CH中选出簇内最终CH：经步骤三选出的备选CH的标号集合为其中m为备选CH的个数，如果m＝1，则t1即为最终CH；如果m>1，使用奇异值分解方法SVD‑QR来选择最终CH。...
【技术特征摘要】
【专利技术属性】
技术研发人员：梁菁，胡耀月，霍扬扬，朱方启，毛诚晨，刘怀远，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。