【模糊逻辑】Adaptive Sensor Selection for Multitarget Detection in Heterogeneous Sensor Networks


本文是对Professor Liang 关于Fuzzy Logic 和 Fuzzy c-Mean(FCM)文章 Adaptive Sensor Selection for Multitarget Detection in Heterogeneous Sensor Networks(HSN)的复现。

1.背景介绍

这篇文章主要致力于异构传感器网络中多目标检测的自适应传感器选择。对于传感器的选择,那就必然无法避免对其多个维度的衡量,本文将从(与目标节点的)距离、电量、移动性三个维度来综合评估传感器的感知性能。

2.在HSN环境下构建模糊逻辑系统

根据三个要素来评估,三要素分别为:

  • (与目标节点的)距离
  • 电量
  • 移动性

将以上三个要素作为评价传感器感知性能的输入。将各要素都分为三类,分别为(该性能)低、中、高。可以构造27种规则,这里列出来对应的规则(针对Prof. Liang 的rule table,我进行了调整)
在这里插入图片描述
对应的中心点也列在 c l c^l cl中。值得注意的是,区别于Prof. Liang,我将更多的情况设置为了Medium情况,而对于Very Large/Very Small的情况则是很少的。(让我们看看后面的结果会和原文有哪些不同!)
其对应antecedent和consequent的MF如下所示
在这里插入图片描述

3.固定距离值,观察电量和移动性对最终评估值的影响

在这里插入图片描述
这里的九个图分别是我将距离值x1固定为0.1:0.1:0.9。
不难发现,相较于原文,这里的图明显更加平坦。仅仅只在边角处才有明显的起伏。
确实,因为我们设置的规则决定了结果必然如此——大部分情况下的节点会被在这个起伏不大基本平坦的平面,而只有性能极度优秀(电量充足并移动性不高)或者性能极度劣势(电量不充足并移动性高)的节点才会被明显区分出来

3.基于FCM的聚类与簇选择

先简单讲讲FCM的基本概念

Fuzzy C-Mean

首先考虑将有限集合分为c个部分,这里的 u i k u_{ik} uik可以理解为对于节点编号k来说其为第i的分区(簇)的概率。
在这里插入图片描述

构造一个目标函数,我们分类的最终目标,就是将这个目标函数达到最小。
在这里插入图片描述

其中各参数的含义如下。其中 v i v_{i} vi表示各簇中心的位置; d i k d_{ik} dik表示节点k到簇i中心的距离。
在这里插入图片描述

我们的最终目标就是,通过寻找最优的U和v,将(7)最小化
在这里插入图片描述

文章中利用的是迭代的方法,来实现数值最小化的。其中交替更新迭代v和U,其中下面是如何更新的具体细节,值得注意的是这里(10)-(12)都是针对同一个节点k来进行相应操作。
在这里插入图片描述
由此就可以比较快速的得到簇分类结果。
然后利用各簇节点到目标节点的距离、电量、移动性,进行簇的综合性能分析,由此得到综合性能最优的簇
在这里插入图片描述
这里是将100个节点分为3个簇,然后有两个目标节点待感知。可以发现结果满足直观需要。

本文仅仅只是对Adaptive Sensor Selection for Multitarget Detection in Heterogeneous Sensor Networks的简单复现,可能存在很多理解不到位的地方,也请大佬批评指正。另外存在一切表述不准确的地方,都以原文为准!

  • 16
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值