一种适用于rsn的节点分簇方法及其融合判决方法
【技术领域】
[0001] 本发明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。
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 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。
[0006] 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。
【发明内容】
[0007] 针对上述存在问题或不足，本发明提出了一种适用于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。
[0008] -种适用于RSN的节点分簇方法NCAFF包括以下步骤：
[0009] 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 ;
[0010] 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：
[0011] 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);
[0012] 2)、FLS2 :RE，FESTRBS，RS 与基站之间的距离（the distance between RS and base station, DRB)；
[0013] 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；
[0014] 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；
[0015] 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;
[0016] 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 ;
[0017] SVD-QR 方法：
[0018] 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
[0019] 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；
[0020] 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。
[0021] 针对分簇后的RSN的融合判决方法⑶FA，包括以下步骤：
[0022] 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;
[0023] 第i个CH的融合统计表达式Λ "为
[0025] 其中，Pdk为k个RS以if为恒虚警概率的检测概率；
[0026] 步骤二、应用中心极限定理，计算人"的一阶和二阶统计量为
[0030] 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
[0033] 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
[0035] 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恒 虚警判决门限。
[0036] 综上所述，本发明具有以下有益效果：本发明针对RSN目标检测，提出节点分簇方 法NCAFF，将分簇拓扑结构用于RSN部署，在提高了网络的目标检测性能的同时延长了网络 的生命周期；针对分簇后的RSN融合判决方法CFDA保证了从用于监测周边环境的NCH、CH， 到基站恒定的虚警概率，从而减少误判。
【附图说明】
[0037] 图I FLS的输入隶属函数；
[0038] 图2 FLSl的输出隶属函数；
[0039] 图3 FLS2的输出隶属函数；
[0040] 图4本发明中分别经NCAFF (FLSl)和NCAFF (FLS2)节点分簇算法，再通过CFARDF 融合判决方法后的RSN的检测概率；
[0041] 图5本发明中分别经NCAFF (FLSl)和NCAFF (FLS2)节点分簇算法，RSN运行900回 合后的网络中剩余RS数目。
【具体实施方式】
[0042] 下面对本发明的【具体实施方式】作进一步的描述。
[0043] 一种适用于RSN的节点分簇方法NCAFF包括以下步骤：
[0044] 步骤一、将RS随机分布在待检测的区域内；预估每个节点的初始能量，确定每个 节点的位置信息并且计算每个节点与基站之间的距离；根据这些节点的位置信息，使用 FCM将RSN分为c个簇并对每个簇内的节点成员进行编号；
[0045] 步骤二、对每个簇进行FLS设计，确定簇内节点当选为备选簇头节点的概率；FLS 的输入分为两种情况：FLS1 (RE、FESTRBS)和 FLS2 (RE，FESTRBS，DBS);
[0046] 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，如图1所示；系统的输出，即簇内每个节点当选为备选簇头节点的概率，根据 输入情况的不同也分为两种情况：1)、FLSl :输出划分为小，中，大三个等级（图2) ;2)、 FLS2 :输出划分为非常小，小，中，大，非常大五个等级（图3);从图1，2, 3中可以看到，FLS 的输入需标准化为〇到10,