一种统一最优判决的网络协同探测方法

摘要

本发明提供了一种统一最优判决的网络协同探测方法，选取需要优化的参数，相邻节点向本地节点发送上一时刻参数估计的最优值，本地节点整合所有相邻节点的最优参数，得到本地节点的临时参数最优值，本地节点应用交叉熵函数作为损失函数，对相邻节点针对损失函数进行梯度整合，把临时最优值优化到当前时刻的最优值，将当前时刻的参数最优值代入决策计算中，得出探测决策。本发明能够使得网络通过节点的本地信息交互达成相对统一的优化探测结果，节省了大量能耗，使得它尤其适用于水下环境。网络节点对于探测结果的判决就不再受到设定门限和整合信息先后抉择的制约。

权利要求

1.一种统一最优判决的网络协同探测方法，其特征在于包括下述步骤：第一步：根据当前环境状况和网络状态选取做出探测决策需要优化的参数，选取能对决策优化起到最大作用的参数；

第二步：相邻节点向本地节点发送上一时刻参数估计的最优值；

网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值，对于每个单个节点来说，均得到所有邻节点在上一时刻参数估计的最优值；

第三步：本地节点整合所有相邻节点的最优参数，得到本地节点的临时参数最优值；

其中，ψk，i‑1为临时参数最优值，其中，k是本地节点，i‑1是上一时刻，Nk是k节点的邻节点，alk是每个节点根据实时需求对来自各个相邻节点的数据分配合适权重，权重之和为1，w是在第一步中选取的被优化参数；

第四步：本地节点应用交叉熵函数作为损失函数，对相邻节点针对损失函数进行梯度整合，把临时最优值优化到当前时刻的最优值；

其中，μk是在更新中选取的步长，i是当前时刻，Clk是本步骤中对邻节点进行梯度整合分配的权重， 是应用交叉熵损失函数对被优化参数求导， 是指在这一过程中用实时探测值去近似这个理论求导过程，完成参数的实时更新；

第五步：根据第四步中当前时刻的参数最优值进行决策，把第四步求得的当前时刻的参数最优值代入决策计算中，得出探测决策。

说明书

一种统一最优判决的网络协同探测方法

技术领域

[0001] 本发明涉及自组织无线传感器网络技术领域，尤其是是一种适用于水下分布式无线网络的探测方法，关注探测过程中相邻节点的信息融合。

背景技术

[0002] 随着人类对海洋资源开发、海洋科学研究、海洋战略地位认识的不断深化，世界各国对海洋的关注前所未有。对某一重点海域进行有效防御和作战监视以应对水中入侵目标
威胁，是海洋空间安全的核心任务，如何对水中目标进行有效可靠的探测一直是水声信息
科学领域研究的焦点。

[0003] 网络化、信息化和智能化已经渗透到经济发展、人民生活和国家安全的各个方面，具有网络化信息融合能力的水声传感器网络是对水中目标进行准确探测的理想途径之一，
它可以通过信息融合的方式对接收信号进行联合处理获得增益，已完成高效精准的探测。

[0004] 对于网络整体来说，多传感器、多特征信息的融合与应用是水声探测研究的重要发展方向。在水下进行信息融合的过程中，如何使整个网络用最少的能耗在最优判决上达
成共识，是水下探测的难点问题，也是现有设备进一步发展水下功能的技术桎梏。

发明内容

[0005] 为了克服现有技术的不足，本发明提供一种统一最优判决的网络协同探测方法。针对网络探测过程中优化决策精度受到信息整合和门限判决先后顺序的影响、达成决策共
识时消耗能耗过大的问题，本发明为一种能在网络最优判决上达成相对一致的分布式网络
探测方法。无线传感器网络系统对目标的探测包含了网络中每个节点对目标的探测和整体
网络对目标的认知。通过对多种节点在探测过程中得到多维异构信息的融合，给出了网络
整体而不是单一节点对探测参数的优化方法，并通过单一节点与相邻节点信息的交互，在
给出传感器网络整体最优判决的同时，避免了因节点之间信息交互过多，进而使得能耗过
大，对其水下应用造成制约。

[0006] 本发明解决其技术问题所采用的技术方案的步骤如下：

[0007] 第一步：根据当前环境状况和网络状态选取做出探测决策需要优化的参数，选取能对决策优化起到最大作用的参数；

[0008] 第二步：相邻节点向本地节点发送上一时刻参数估计的最优值；

[0009] 网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值，对于每个单个节点来说，均得到所有邻节点在上一时刻参数估计的最优值；

[0010] 第三步：本地节点整合所有相邻节点的最优参数，得到本地节点的临时参数最优值；

[0011]

[0012]

[0013] 其中，ψk，i‑1为临时参数最优值，其中，k是本地节点，i‑1是上一时刻，Nk是k节点的邻节点， 是每个节点根据实时需求对来自各个相邻节点的数据分配合适权重，比如节点
置信度，节点设备历史探测准确度等，权重之和为1，w是在第一步中选取的被优化参数；

[0014] 第四步：本地节点应用交叉熵函数作为损失函数，对相邻节点针对损失函数进行梯度整合，把临时最优值优化到当前时刻的最优值；

[0015]

[0016]

[0017] 其中，μk是在更新中选取的步长，i是当前时刻， 是本步骤中对邻节点进行梯度整合分配的权重，选取对当前参数估计影响最大的量，例如信道的信噪比，节点的置信度
等， 是应用交叉熵损失函数对被优化参数求导， 是指在这一过程中用
实时探测值去近似这个理论求导过程，完成参数的实时更新。

[0018] 第五步：根据第四步中当前时刻的参数最优值进行决策，把第四步求得的当前时刻的参数最优值代入决策计算中，得出探测决策。

[0019] 本发明的有益效果在于本发明提出了一种网络对目标进行探测的方法，能够使得网络通过节点的本地信息交互(即每个节点都只把自身的信息扩散给相邻节点)达成相对
统一的优化探测结果。在优化过程中，每个节点都利用了所有相邻节点的优化信息。在这种
方法中，虽然每个节点都只和相邻节点联系，但由于每个节点的优化信息都存在于所有相
邻节点中，而这些相邻节点向它们的相邻节点扩散的自身优化信息中也整合了上一跳节点
的优化信息。因此，在本专利提出的探测方法中，虽然每个节点只向相邻节点扩散了自身的
优化信息，但是这个优化信息会随着时间推移扩散至全网。相对于集中式网络的探测结果
优化及优化结果的通知，这样的扩散策略节省了大量能耗，使得它尤其适用于水下环境。与
此同时，因为引入了交叉熵函数作为损失函数来衡量探测结果，并通过损失函数把网络探
测中的判决优化问题直接转化为网络整体对参数进行优化的过程。这样一来，网络节点对
于探测结果的判决就不再受到设定门限和整合信息先后抉择的制约。

附图说明

[0020] 图1为本发明的总体方法框图。

[0021] 图2为本发明的适用环境示意图。

[0022] 图3为本发明的节点间信息交互图。

[0023] 图4为本发明的节点信息交互范围示意图。

具体实施方式

[0024] 下面结合附图和实施例对本发明进一步说明。

[0025] 如图1所示，本发明的主步骤如下：

[0026] 第一步：如图2所示，根据当前环境状况和网络状态选取做出探测决策需要优化的参数，选取能对决策优化起到最大作用的参数；本发明的探测方法广泛适用于各种有探测
能力的水声网络，对节点的存在形式并没有提出要求，不局限于浮标潜标或是海底节点。

[0027] 决定探测结果的参数有很多，但在不同环境下，针对不同网络，起决定性因素的参数是不同的。根据网络的不同和探测所处环境的不同，选取通过优化最能准确做出决策的
进行优化。

[0028] 第二步：相邻节点向本地节点发送上一时刻参数估计的最优值；

[0029] 网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值，对于每个单个节点来说，均得到所有邻节点在上一时刻参数估计的最优值；

[0030] 参数优化是一个连续过程，每一轮参数优化都在上一轮参数优化完成的基础上进行；在每一轮优化开始的时候，网络中的每个节点都广播出上一时刻的本地参数估计得到
的最优值，对于每个单个节点来说，都得到了所有邻节点在上一时刻参数估计的最优值。

[0031] 图3为本发明的节点间信息交互模型。节点间每一次参数优化共涉及两次信息交互过程，如图3所示，虚线箭头指的是接收信号，实线箭头为向外扩散的信息。第一次交互的
是上一时刻的优化参数信息，第二次交互的是梯度信息。

[0032] 图4为本发明的节点信息交互范围示意图。如图4所示，每个节点只与单跳范围内的节点进行信息交互。在每个当前时刻，所有节点都以扩散的方式向外辐射信息，但每个节
点只接收相邻节点的信息。例如图4中的三号节点接收并只接收来自1、2、4、6号节点的信
息。

[0033] 第三步：本地节点整合所有相邻节点的最优参数，得到本地节点的临时参数最优值；

[0034]

[0035]

[0036] 其中，ψk，i‑1为临时参数最优值，其中，k是本地节点，i‑1是上一时刻，Nk是k节点的邻节点， 是每个节点根据实时需求对来自各个相邻节点的数据分配合适权重，比如节点
置信度，节点设备历史探测准确度等，权重之和为1，w是在第一步中选取的被优化参数；

[0037] 给每个节点来的数据分配合适的权重，权重需要综合考虑节点本身的置信度(是网络中节点还是攻击节点)，节点自身信息的可靠性(因为节点装置设备不同而有所差异)
和节点间链路连接的可靠性(通信信噪比)，综合考虑这些因素来给出合适权重的过程需要
具体问题具体分析，且涉及很多不同的情况类别和处理方法。

[0038] 第四步：本地节点应用交叉熵函数作为损失函数，对相邻节点针对损失函数进行梯度整合，把临时最优值优化到当前时刻的最优值；

[0039]

[0040]

[0041] 其中，μk是在更新中选取的步长，i是当前时刻， 是本步骤中对邻节点进行梯度整合分配的权重，选取对当前参数估计影响最大的量，例如信道的信噪比，节点的置信度
等， 是应用交叉熵损失函数对被优化参数求导， 是指在这一过程中用
实时探测值去近似这个理论求导过程，完成参数的实时更新。

[0042] 针对当前优化的参数，对交叉熵损失函数进行求导，用实时探测值去近似理论梯度，完成参数的实时更新。基于求导结果，分配合适的权重与步长进行整合，把第三步的临
时最优值更新到当前的参数最优值。

[0043] 第五步：根据第四步中当前时刻的参数最优值进行决策，把第四步求得的当前时刻的参数最优值代入决策计算中，得出探测决策。