[论文解读] Networked Decision Making for Poisson Processes: Application to nuclear detection
本文提出了一种去中心化的网络化决策框架，用于检测时变非齐次泊松过程（如移动的放射性源），通过传感器将本地似然比发送至融合中心。融合中心使用Neyman-Pearson最优检验方法合并这些似然比，实现在最小通信量下的集中式决策精度，且在核检测应用中通过保守的误差界得到验证。
This paper addresses a detection problem where several spatially distributed sensors independently observe a time-inhomogeneous stochastic process. The task is to decide between two hypotheses regarding the statistics of the observed process at the end of a fixed time interval. In the proposed method, each of the sensors transmits once to a fusion center a locally processed summary of its information in the form of a likelihood ratio. The fusion center then combines these messages to arrive at an optimal decision in the Neyman-Pearson framework. The approach is motivated by applications arising in the detection of mobile radioactive sources, and offers a pathway toward the development of novel fixed- interval detection algorithms that combine decentralized processing with optimal centralized decision making.
研究动机与目标
- 开发一种可扩展、低通信量的网络化决策系统，用于检测移动放射性源，利用空间分布的传感器。
- 通过实现本地处理和压缩消息传输，解决传感器网络中高数据量的挑战。
- 在Neyman-Pearson准则下实现最优检测性能，同时保持集中式决策精度。
- 为实际部署提供类型I和类型II错误概率的保守性能边界。
- 展示该框架在涉及时变辐射强度的实际核检测问题中的适用性。
提出的方法
- 每个传感器基于其在固定时间间隔内观测到的时变非齐次泊松过程，计算本地似然比。
- 传感器仅将计算出的似然比发送至融合中心，以最小化通信开销。
- 融合中心将所有接收到的似然比进行乘积合并，并与阈值比较，以在Neyman-Pearson框架下做出最终决策。
- 该方法利用点过程理论，特别是不同假设下似然过程的鞅表示。
- 理论分析证明，在零假设下，全局似然比过程为鞅，从而确保决策规则的统计有效性。
- 通过矩生成函数和强度边界假设，推导出错误概率的边界。
实验结果
研究问题
- RQ1去中心化的传感器网络能否在最小通信量下实现对时变非齐次泊松过程的最优检测性能？
- RQ2如何在融合中心组合本地似然比以保持集中式决策精度？
- RQ3该网络化检测框架中类型I和类型II错误概率的保守边界是什么？
- RQ4该框架如何处理移动源检测中典型的时变辐射强度？
- RQ5在何种条件下可确保网络化环境下全局似然比过程的统计有效性？
主要发现
- 所提方法通过在融合中心合并本地似然比，在Neyman-Pearson准则下实现最优检测性能。
- 证明了在零假设下，全局似然比过程为鞅，确保了决策规则的统计有效性。
- 利用矩生成函数和强度边界，推导出类型I和类型II错误概率的保守上界。
- 该框架在将通信量减少至每个传感器每间隔仅发送一条消息的同时，保持了集中式决策精度。
- 该方法适用于移动放射性源检测，其中辐射强度随时间和空间变化。
- 理论分析证实，系统在强度变化有界且通信约束有限的条件下仍具鲁棒性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。