قوانين تصميم‌گيري محلي بهينه در يك سيستم آشكارسازي توزيعي با مشاهدات وابسته

Optimum Local Decision Rules in a Distributed Detection System with Dependent Observations

نظريه آشكارسازي توزيعي و استفاده از شبكه‌هاي آشكارسازي به عنوان يكي از مسائل مهم تحقيقاتي به شمار مي‌آيد. در اكثر كارهاي قبلي، نتايج با فرض استقلال شرطي مشاهدات به دست آمده است. در اين مقاله، مسئله آشكارسازي توزيعي با ساختار موازي وتصميمات محلي تك بيتي با فرض عدم استقلال مشاهدات از يكديگر، مورد بررسي قرار مي‌گيرد و روشهاي عددي براي رسيدن به قوانين تصميم‌گيري محلي بهينه براساس معيار نيمن-پيرسون ارائه مي‌شود. روش كار بدين نحو است كه ابتدا براي شبكه آشكارسازي موازي هنگامي كه قاعده ادغام ثابت است، مجموعه‌اي از شرايط لازم براي بهينگي قواعد تصميم‌گيري محلي به دست آمده و سپس يك الگوريتم براي محاسبه اين قوانين ارائه خواهد شد. در پايان به كمك شبيه سازي، كارايي اين الگوريتم ارزيابي مي‌شود.

The theory of distributed detection is receiving a lot of attention. A common assumption used in previous studies is the conditional independence of the observations. In this paper, the optimization of local decision rules for distributed detection networks with correlated observations is considered. We focus on presenting the detection theory for parallel distributed detection networks with fixed fusion rules to develop a numeric algorithm based on Neyman-Pearson criterion. Simulation results are presented to demonstrate the efficiency and convergence properties of the algorithm.