Multisensor Decision And Estimation Fusion

YUNMIN ZHU در دو دهه گذشته، فناوری‌های ترکیبی اطلاعات چندمنبع یا چند حسگر در عمل توجه بیشتری را به خود جلب کرده‌اند، جایی که مشاهدات به صورت توزیع‌شده پردازش می‌شوند و تصمیم‌گیری‌ها یا تخمین‌ها در تک تک پردازنده‌ها انجام می‌شود. داده های پردازش شده (یا مشاهدات فشرده) سپس به یک مرکز همجوشی که در آن تصمیم نهایی یا تخمین جهانی گرفته می شود، منتقل می شود. یک سیستم با چندین سنسور توزیع شده نسبت به یک سنسور منفرد مزایای زیادی دارد. اینها شامل افزایش قابلیت، قابلیت اطمینان، استحکام و بقای سیستم است. مشکلات همجوشی تصمیم یا تخمین توزیع شده برای مواردی با مشاهدات آماری مستقل یا نویزهای مشاهداتی توجه قابل توجهی را به خود جلب کرده است (نگاه کنید به کتاب تشخیص توزیع شده و ترکیب داده های Varshney، نیویورک: Springer-Verlag، 1997، کتاب Bar-Shalom's Multitarget-Multisensorced. برنامه های کاربردی، ج 1-3، خانه آرتک، 1990، 1992،2000). مشکلات مربوط به مشاهدات وابسته به آمار یا نویزهای مشاهده دشوارتر است و مطالعه بسیار کمتری انجام شده است. با این حال، در عمل، اغلب مشکلات همجوشی تصمیم یا تخمین را با مشاهدات وابسته به آمار یا نویزهای مشاهده مشاهده می‌کنیم. به عنوان مثال، هنگامی که از چندین حسگر برای تشخیص یک سیگنال تصادفی در حضور نویز مشاهده استفاده می شود، مشاهدات حسگر نمی توانند از نظر آماری مستقل باشند زمانی که سیگنال وجود دارد. این کتاب به منظور پرداختن به مشاهدات تصادفی کلی یا نویزهای مشاهداتی که در بین حسگرها همبستگی دارند، درمان کامل تری از مبانی تصمیم گیری چند سنسور و ترکیب تخمین ارائه می دهد.

YUNMIN ZHU In the past two decades, multi sensor or multi-source information fusion tech­ niques have attracted more and more attention in practice, where observations are processed in a distributed manner and decisions or estimates are made at the individual processors, and processed data (or compressed observations) are then transmitted to a fusion center where the final global decision or estimate is made. A system with multiple distributed sensors has many advantages over one with a single sensor. These include an increase in the capability, reliability, robustness and survivability of the system. Distributed decision or estimation fusion prob­ lems for cases with statistically independent observations or observation noises have received significant attention (see Varshney's book Distributed Detec­ tion and Data Fusion, New York: Springer-Verlag, 1997, Bar-Shalom's book Multitarget-Multisensor Tracking: Advanced Applications, vol. 1-3, Artech House, 1990, 1992,2000). Problems with statistically dependent observations or observation noises are more difficult and have received much less study. In practice, however, one often sees decision or estimation fusion problems with statistically dependent observations or observation noises. For instance, when several sensors are used to detect a random signal in the presence of observation noise, the sensor observations could not be statistically independent when the signal is present. This book provides a more complete treatment of the fundamentals of multi­ sensor decision and estimation fusion in order to deal with general random ob­ servations or observation noises that are correlated across the sensors.