基于多传感器在线核标量量化的非参数分散式检测与稀疏传感器选择
信号处理
2022-06-29 v1
摘要
信号分类问题在广泛应用中出现，其需求预计只会增加。在本文中，我们关注无线传感器网络信号分类场景，其中每个传感器将量化信号转发至融合中心进行分类。我们的主要目标是以在线方式训练跨传感器的决策函数和量化器，以最大化分类性能。此外，我们有兴趣使用边缘化加权核方法进行稀疏传感器选择，通过禁用可靠性较低的传感器并以对分类性能的最小影响来提高网络资源效率。为实现目标，我们开发了在多传感器输出上于融合中心运行的多传感器在线核标量量化(MSOKSQ)学习策略。我们的理论分析揭示了所提算法如何影响跨传感器的量化器。此外，我们通过研究在线学习与批量学习的关系提供了在线学习方法的收敛性分析。我们在不同分类和传感器网络设置下进行了数值研究，证明了优化MSOKSQ不同组件带来的精度提升以及对所选传感器数量减少的鲁棒性。
引用
@article{arxiv.2205.10681,
title = {Nonparametric Decentralized Detection and Sparse Sensor Selection via Multi-Sensor Online Kernel Scalar Quantization},
author = {Jing Guo and Raghu G. Raj and David J. Love and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2205.10681},
year = {2022}
}