Distributed Detection and Data Fusion

این کتاب مقدمه‌ای از مبانی تصمیم‌گیری در یک چارچوب توزیع‌شده ارائه می‌کند. نظریه تشخیص کلاسیک فرض می‌کند که مشاهدات کامل در یک پردازنده مرکزی برای تصمیم‌گیری در دسترس هستند. اخیراً، بسیاری از برنامه‌های کاربردی شناسایی شده‌اند که در آنها مشاهدات به شیوه‌ای توزیع‌شده پردازش می‌شوند و تصمیم‌گیری‌ها در پردازنده‌های توزیع‌شده گرفته می‌شوند، یا داده‌های پردازش شده (مشاهدات فشرده) به یک مرکز همجوشی که تصمیم‌گیری جهانی را می‌گیرد، منتقل می‌شود. تئوری تشخیص مرسوم بسط داده شده است تا بتواند با چنین مشکلات تشخیص توزیع شده مقابله کند. یک درمان یکپارچه از پیشرفت های اخیر در این شاخه جدید از نظریه تصمیم گیری آماری ارائه شده است. تشخیص توزیع شده تحت فرمول های مختلف و برای انواع توپولوژی شبکه های تشخیص مورد بحث قرار می گیرد. این مطالب در هیچ کتاب دیگری موجود نیست و به تازگی در مجلات فنی منتشر شده است. سطح ارائه به گونه ای است که می توان از قلاب به عنوان یک کتاب درسی در مقطع کارشناسی ارشد استفاده کرد. نمونه های متعددی در سراسر کتاب ارائه شده است. فرض بر این است که خواننده در معرض نظریه تشخیص قرار گرفته است. این کتاب همچنین به عنوان یک مرجع مفید برای مهندسان و محققین عمل خواهد کرد. من در دهه گذشته به طور فعال تحقیقاتی را در مورد تشخیص توزیع شده و ترکیب داده ها دنبال کرده ام که در نهایت به نوشتن این کتاب علاقه مند شدم. افراد زیادی در تکمیل این کتاب نقش کلیدی داشته اند.

This book provides an introductory treatment of the fundamentals of decision-making in a distributed framework. Classical detection theory assumes that complete observations are available at a central processor for decision-making. More recently, many applications have been identified in which observations are processed in a distributed manner and decisions are made at the distributed processors, or processed data (compressed observations) are conveyed to a fusion center that makes the global decision. Conventional detection theory has been extended so that it can deal with such distributed detection problems. A unified treatment of recent advances in this new branch of statistical decision theory is presented. Distributed detection under different formulations and for a variety of detection network topologies is discussed. This material is not available in any other book and has appeared relatively recently in technical journals. The level of presentation is such that the hook can be used as a graduate-level textbook. Numerous examples are presented throughout the book. It is assumed that the reader has been exposed to detection theory. The book will also serve as a useful reference for practicing engineers and researchers. I have actively pursued research on distributed detection and data fusion over the last decade, which ultimately interested me in writing this book. Many individuals have played a key role in the completion of this book.