[论文解读] Exploiting Spatial Correlation in Energy Constrained Distributed Detection

Juan Augusto Maya, Cecilia G. Galarza+1 more|arXiv (Cornell University)|Sep 14, 2015

Distributed Sensor Networks and Detection Algorithms参考文献 29被引用 6

一句话总结

本文提出了一种在能量受限的无线传感器网络中采用分层聚类的方法，以平衡能量效率与相关测量中空间相关性的利用。通过优化聚类大小，该方法在最小化能量消耗的同时，利用空间相关性提升检测性能，并在Neyman-Pearson框架下推导出误报概率和漏检概率的紧密解析近似。

ABSTRACT

We consider the detection of a correlated random process immersed in noise in a wireless sensor network. Each node has an individual energy constraint and the communication with the processing central units are affected by the path loss propagation effect. Guided by energy efficiency concerns, we consider the partition of the whole network into clusters, each one with a coordination node or \emph{cluster head}. Thus, the nodes transmit their measurements to the corresponding cluster heads, which after some processing, communicate a summary of the received information to the fusion center, which takes the final decision about the state of the nature. As the network has a fixed size, communication within smaller clusters will be less affected by the path loss effect, reducing energy consumption in the information exchange process between nodes and cluster heads. However, this limits the capability of the network of beneficially exploiting the spatial correlation of the process, specially when the spatial correlation coherence of the process is of the same scale as the clusters size. Therefore, a trade-off is established between the energy efficiency and the beneficial use of spatial correlation. The study of this trade-off is the main goal of this paper. We derive tight approximations of the false alarm and miss-detection error probabilities under the Neyman-Pearson framework for the above scenario. We also consider the application of these results to a particular network and correlation model obtaining closed form expressions. Finally, we validate the results for more general network and correlation models through numerical simulations.

研究动机与目标

• 解决能量受限无线传感器网络中能量效率与空间相关性利用之间的权衡问题。
• 设计一种分簇的分层检测架构，其中簇头处理本地数据并将汇总信息转发至融合中心。
• 在Neyman-Pearson准则下，推导检测误差概率的紧密解析近似。
• 评估在存在空间相关性时聚类大小对检测性能的影响。
• 通过在一般网络与相关性配置下的数值仿真验证模型。

提出的方法

• 将网络划分为多个簇，每个簇包含一个簇头，负责处理本地传感器数据，并将压缩后的摘要信息发送至融合中心。
• 作者使用一种相关结构对空间相关测量进行建模，其中相邻节点表现出相关观测，相关强度由参数ρ定义。
• 提出一种分层检测策略：本地簇处理（LCS）、完全相关感知（FCS）和能量检测（ED），每种策略具有不同的融合规则。
• 采用矩生成函数的拉普拉斯方法（LMGF）在Neyman-Pearson框架下推导误报与漏检概率的紧密近似。
• 关键方程包括在H₀与H₁假设下测试统计量的LMGF，LCS与ED策略的闭式表达已推导得出，FCS策略则通过μ₀(s) = μ₁(s−1)进行变换。
• 该方法考虑了通信中的路径损耗，将能量消耗建模为传输距离的函数，并通过优化聚类大小，在保持相关性带来的检测增益的同时最小化能量消耗。

实验结果

研究问题

• RQ1 在相关传感器网络中，聚类大小如何影响能量消耗与检测性能之间的权衡？
• RQ2 在能量与带宽约束下，使检测性能最大化的最优聚类大小是什么？
• RQ3 当存在空间相关性时，不同融合策略（LCS、FCS与ED）在误差概率方面的表现如何？
• RQ4 能否为相关且能量受限的系统推导出误报与漏检概率的紧密解析近似？
• RQ5 当相关性仅限于本地簇时，LCS策略的性能与FCS策略相比如何？

主要发现

• 当聚类大小l与全网络规模n相当时，LCS策略的性能接近FCS策略，其误报概率通过H₀下的LMGF进行近似。
• LCS策略的误报概率表示为P_fa ≈ Q( (τ_n - μ₀(s₀*)) / √(σ²₀(s₀*)) )，其中s₀* = 1，且LMGF μ₀(s₀)以信噪比与相关性参数的闭式表达式给出。
• 对于FCS策略，H₀下的LMGF通过关系式μ₀(s) = μ₁(s−1)推导得出，当用n替代l时，其误报概率与LCS结果一致。
• 能量检测（ED）策略忽略相关性，其误报概率在ρ = 0且l = n时与LCS结果一致，确认了在无相关数据极限下的自洽性。
• 数值仿真验证了在一般网络与相关性模型下解析近似的准确性，证实了所推导误差边界的紧密性。
• 最优聚类大小在降低路径损耗能量成本与损失全局相关性增益之间取得平衡，且对空间相关性的相干尺度敏感。