[论文解读] Error Probability Bounds for M-ary Relay Trees

Zhenliang Zhang, Edwin K. P. Chong+3 more|arXiv (Cornell University)|Feb 7, 2012

Distributed Sensor Networks and Detection Algorithms参考文献 13被引用 3

一句话总结

本文分析了由独立传感器和中继节点组成的 M 元中继树中的错误概率，这些节点使用多数支配规则来合并信息。推导出融合中心类型 I 和类型 II 错误概率的紧致上下界，表明这些错误随传感器数量的增加呈指数衰减，从而精确刻画了收敛速度。

ABSTRACT

We study the detection error probabilities associated with an M-ary relay tree, where the leaves of the tree correspond to identical and independent sensors. Only these leaves are sensors. The root of the tree represents a fusion center that makes the overall detection decision. Each of the other nodes in the tree is a relay node that combines M summarized messages from its immediate child nodes to form a single output message using the majority dominance rule. We derive tight upper and lower bounds for the Type I and II error probabilities at the fusion center as explicit functions of the number of sensors in the case of binary message alphabets. These bounds characterize how fast the error probabilities converge to 0 with respect to the number of sensors.

研究动机与目标

• 分析具有独立传感器输入的 M 元中继树中的检测错误概率。
• 使用中继节点处的多数支配规则对融合中心的决策过程进行建模。
• 推导出类型 I 和类型 II 错误概率的显式上下界，作为传感器数量的函数。
• 刻画错误概率随传感器数量增加而收敛至零的速率。

提出的方法

• 系统建模为一棵 M 元树，其中叶节点代表相同且独立的传感器。
• 中间中继节点使用多数支配规则将 M 个子节点的消息合并为单个输出消息。
• 根节点处的融合中心根据其 M 个子节点的聚合消息做出最终检测决策。
• 通过多数融合过程的概率分析，推导出类型 I 和类型 II 错误概率的分析边界。
• 边界以传感器数量的显式函数形式表达，并证明其为紧致边界。

实验结果

研究问题

• RQ1 在具有独立传感器的 M 元中继树中，类型 I 和类型 II 错误概率的行为如何？
• RQ2 融合中心错误概率的最紧致可能上下界是什么？
• RQ3 随着传感器数量的增加，错误概率以多快的速度收敛至零？
• RQ4 中继节点处的多数支配规则如何影响整体检测可靠性？

主要发现

• 推导出类型 I 和类型 II 错误概率的紧致上下界，作为传感器数量的显式函数。
• 边界表明，系统中错误概率随传感器数量的增加呈指数衰减。
• 通过推导出的边界，精确刻画了错误概率收敛至零的速率。
• 分析证实，中继节点处的多数支配规则可实现可靠的聚合，并具有可证明的错误衰减特性。