Distributed detection and decision fusion using particle filter concepts

Abstract

Bu tezde, Gauss olmayan ve değişken değerleri bilinmeyen gürültü altında çalışabilen bir dağıtımlı sezim ve karar tümleştirme sistemi geliştirilmiştir. Öncelikli olarak amaçlanan, yerel sezimleyici ve tümleştirme merkezi karar verme kurallarının, gözlem verisi istatistiklerine dair gerçekçi olmayan varsayımlardan kaçınılarak belirlenmesidir. Önerilen yapı parçacık temelli kavramlara dayandırılmaktadır. Problemin dinamik bir modelinin kurulabilmesi için, gözlem verisi Gauss karışımı gürültü ile özbağlanımlı süreç olarak modellenmiştir. Önerilen sistem bilinmeyen gürültü değişkenlerinin kestirimi için kullanılan bir parçacık süzgeci ve sonrasında dağıtımlı sezim ve yerel kararları tümleştirmeyi gerçekleştiren parçacık sürü optimizasyonundan (PSO) oluşmaktadır. Tümleştirme kuralı, algılayıcıların kararları arasında istatistiksel olarak bağımsızlık varsayımında bulunmadan, copula fonksiyonu kullanılarak algılayıcı kararlarının marjinal olasılık yoğunluklarının ortak olasılık yoğunluklarına ilişkilendirilmesiyle tasarlanmıştır. Kullanılan copula fonksiyonuna ait değişken PSO kullanılarak kestirilmektedir. Önerilen yöntemlerle elde edilen hata olasılıkları teorik hata olasılıkları ile karşılaştırıldığında umut vaat eden sonuçlar elde edilmiştir.

In this thesis, a distributed detection and decision fusion system that operates under non Gaussian noise with unknown parameters is developed. The main objective is to find decision rules for the local detectors and the fusion center without making unrealistic assumptions about statistics of the observed data. The proposed scheme is based on concepts of using particles. In order to form a dynamical model of the problem, observed data is modeled as an AR process which is driven by Gaussian mixture noise. The proposed system consists of a particle filter, used for estimating the unknown noise parameters, followed by particle swarm optimization (PSO) which achieves distributed detection and decision fusion of local decisions. The fusion rule is designed, without assuming independence of the decisions of the local sensors, by using copula functions to relate the marginal densities of the sensor observations to the statistical dependency between the sensor decisions. The parameter of the copula function used is estimated using PSO. The probability of error values obtained by using the proposed method are compared with theoretical values and promising results are obtained.