雷達(dá)傳感器網(wǎng)絡(luò)分簇算法研究.pdf

1、本文主要提出了四種新的適用于雷達(dá)傳感器網(wǎng)絡(luò)（radar sensor networks，RSN）的分簇算法及相應(yīng)的恒虛警（constant false alarm rate，CFAR）融合判決方法，旨在延長網(wǎng)絡(luò)生命周期的同時(shí)提高系統(tǒng)的目標(biāo)檢測性能。然后綜合這四種分簇算法的優(yōu)勢，提出了RSN的最佳分簇方案。與經(jīng)典分簇算法the cluster-head election mechanism using fuzzy logic（CHEF）相

2、比，該方案不僅延長了網(wǎng)絡(luò)40.94％的生命周期，而且在系統(tǒng)不同的信噪比（signal-to-noise ratio，SNR）及基站不同的虛警概率下都有較高的目標(biāo)檢測概率。具體工作及成果如下：
　　1、本文分別針對簇內(nèi)單跳和簇內(nèi)多跳，各提出了兩種適用于RSN的分簇算法。本文首先使用模糊C均值聚類算法對RSN進(jìn)行分簇。然后針對簇頭選擇，設(shè)計(jì)了兩種模糊邏輯系統(tǒng)計(jì)算各個雷達(dá)傳感器的簇頭選擇概率：具有兩個輸入（雷達(dá)傳感器的剩余能量，雷達(dá)傳感

3、器與基站之間的距離）的模糊邏輯系統(tǒng)（two-antecedent fuzzy logic system，F(xiàn)2）和具有三個輸入（F2的兩個輸入以及由雷達(dá)傳感器向基站傳輸信號時(shí)的信道增益）的模糊邏輯系統(tǒng)（three-antecedent fuzzy logic system，F(xiàn)3）。若簇內(nèi)采用單跳傳輸，本文提出了基于模糊C均值和奇異值分解（fuzzy c-means combined with singular value decompos

4、ition-QR，F(xiàn)CMSVDQR）的簇頭選擇算法，該算法考慮了由簇內(nèi)非簇頭節(jié)點(diǎn)向簇頭傳輸信號時(shí)的信道增益，提高了簇頭融合數(shù)據(jù)時(shí)的接收SNR。若簇內(nèi)采用多跳傳輸，具有簇頭選擇最大概率的雷達(dá)傳感器將成為簇頭，并提出了基于圖論的路由選擇算法（graph-based optimal routing selection，GORS）。GORS算法考慮了簇內(nèi)節(jié)點(diǎn)多跳傳輸時(shí)的信道增益，減少了多跳路由傳輸時(shí)的信道損耗。將F2、F3分別和FCMSVDQR

5、、GORS相結(jié)合，提出了四種分簇算法：基于F2和FCMSVDQR的分簇算法（clustering algorithm using F2 and FCMSVDQR，F(xiàn)2&FCMSVDQR）、基于F3和FCMSVDQR的分簇算法（clustering algorithm using F3 and FCMSVDQR，F(xiàn)3&FCMSVDQR）、基于F2和GORS的分簇算法（clustering algorithm using F2 and GO

6、RS，F(xiàn)2&GORS）和基于F3和GORS的分簇算法（clustering algorithm usingF3 and GORS，F(xiàn)3&GORS）。這四種分簇算法與現(xiàn)有分簇算法相比，創(chuàng)新點(diǎn)在于首次研究了信道對基于分簇結(jié)構(gòu)的RSN目標(biāo)檢測性能的影響。
　　2、本文針對目標(biāo)檢測，研究了RSN在本文提出的分簇算法下的CFAR融合判決方法。針對單跳結(jié)構(gòu)，提出了小SNR下基于中心極限定理的似然比融合判決方法（low-SNR and like

7、lihood-ratio-based decision fusion in the central limit theory，LLDFCLT）和大SNR下基于Kaplan-Meier估計(jì)器的似然比融合判決方法（high-SNR and likelihood-ratio-based decision fusion in Kaplan-Meier estimator，HLDFKE），并通過蒙特卡羅仿真分析了經(jīng)典單跳分簇算法，the low

8、energy adaptive clus-tering hierarchy（LEACH）、the hybrid energy efficient distributed clustering approach（HEED），與LLDFCLT、HLDFKE相結(jié)合的RSN的目標(biāo)檢測性能。針對多跳結(jié)構(gòu)，提出了絕對CFAR融合判決方法（absolute CFAR fusion decision approach for multi-hop tra

9、nsmission，ACFARFD）和相對CFAR融合判決方法（relative CFAR fusion decision approach for multi-hop transmission，RCFARFD）。在ACFARFD中，所有的雷達(dá)傳感器節(jié)點(diǎn)包括中繼節(jié)點(diǎn)都做CFAR判決；而在RCFARFD中，中繼節(jié)點(diǎn)使用最大似然估計(jì)判決，其它節(jié)點(diǎn)做CFAR判決。本文的CFAR融合判決方法與現(xiàn)有的融合方法相比，創(chuàng)新點(diǎn)在于采用了自適應(yīng)的判決門限

10、使得簇頭和基站的虛警概率保持不變。
　　蒙特卡羅仿真分析表明：
　　1）對于單跳融合判決方法，LLDFCLT的檢測概率高于HLDFKE；
　　2）對于多跳融合判決方法，RCFARDF的檢測概率高于AC-FARDF，但RCFARDF中繼節(jié)點(diǎn)的虛警概率在小SNR下超過了ACFARDF。
　　3、本文使用LLDFCLT單跳融合判決方法和ACFARDF多跳融合判決方法，通過蒙特卡羅仿真比較了本文提出的四種分簇算法與CHE

11、F的能耗、目標(biāo)檢測性能；研究了不同分簇個數(shù)對這四種分簇算法能耗和檢測性能的影響，進(jìn)而確定了簇頭個數(shù)與網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的最佳比值；分析了不同基站虛警概率對這些分簇算法檢測性能的影響。
　　4、RSN的最佳分簇方案為：
　　1）使用模糊C均值聚類算法分簇的簇頭個數(shù)與網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的最佳比值為0.08；
　　2）當(dāng)網(wǎng)絡(luò)中剩余雷達(dá)傳感器個數(shù)超過網(wǎng)絡(luò)初始節(jié)點(diǎn)個數(shù)的50%時(shí)，使用F3&FCMSVDQR；
　　3）當(dāng)網(wǎng)絡(luò)中剩余雷達(dá)傳