资源受限下针对具有不同重要性的稀疏多类目标的自适应搜索
信息论
2014-09-30 v1 math.IT
摘要
在稀疏目标推断问题中，已证明利用凸准则进行自适应感知可取得显著增益。我们将先前关于自适应感知的工作推广至：(a) 包含具有不同重要性水平的多类目标，以及 (b) 适配多种传感器模型。开发了新的优化策略，以在有限资源预算下同时定位、分类并估计嵌入大空间中的稀疏数量目标。通过分析在场景上均匀分配资源的基线策略和具有目标位置/类别先验知识的 oracle 策略，推导了所提策略性能的上界和下界。这些界限定量地解析了自适应感知作为目标频率和重要性函数的潜在收益。数值结果表明，当信号质量足够高时（例如，信噪比高于 15 dB 时性能在 3 dB 以内），所提策略的表现接近 oracle 界（<3dB）。此外，所提策略在减少估计误差、降低误分类概率和提高期望回报方面优于先前的策略。为了考虑具有不同敏捷水平的传感器，考虑了三种传感器模型：全局自适应（GA），可为空间中每个位置分配不同量的资源；全局均匀（GU），可在整个场景上均匀分配资源；以及局部自适应（LA），可为位置子集分配固定单位资源。研究表明，使用 GU 和 LA 传感器混合的策略与使用 GA 传感器的策略表现相似，但更易于实现。
引用
@article{arxiv.1409.7808,
title = {Resource-Constrained Adaptive Search for Sparse Multi-Class Targets with Varying Importance},
author = {Gregory E. Newstadt and Beipeng Mu and Dennis Wei and Jonathan P. How and Alfred O. Hero},
journal= {arXiv preprint arXiv:1409.7808},
year = {2014}
}
备注
49 pages, 9 figures