Обнаружение, Классификация и Сопровождение Целей в Распределенных Сетях Датчиков

Дэн Ли, Керрай Д. Уонг, Yu H. Hu
и Akbar М. Sayeed
Отдел Электрической и Компьютернй Инженерии Технического Университета WisconsinMadison, США dli, kerryw@cae.wisc.edu hu, akbar@engr.wisc.edu

Detection, Classification
and Tracking of Targets in Distributed Sensor Networks

Dan Li, Kerry D. Wong, Yu H. Hu and Akbar M. Sayeed
Department of Electrical and Computer Engineering
University of Wisconsin-Madison, USA
dli, kerryw@cae.wisc.edu
hu, akbar@engr.wisc.edu

Резюме

• Мы выделяем структуру для совместной обработки сигнала в распределенных сетях датчиков. Идеи представлены в контексте прослеживания многожества объектов перемещения в поле датчика. Ключевые шаги, вовлеченные в процедуру прослеживания включают обнаружение события(случая), целевую классификацию, и оценку и предсказание местоположения цели. Алгоритмы для различных задач обсуждены с акцентом на классификации. Мы сообщаем о результатах, основанных на экспериментах с реальными данными, которые порождают полезные продположения, существенные для природы проблем.

Введение-1

• Сети маленьких, плотно распределенных беспроводных датчиков – узлов предполагаются и развиваются для разнообразных применений в контроле и манипуляции физического мира. Как правило, каждый индивидуальный узел может воспринимать множеством способов, но ограничен в способности вычисления и связи. Много проблем должны быть преодолены прежде, чем понятие сетей датчиков станет действительностью.

Введение-2

• В частности есть две критических проблемы, лежащие в основе успешного действия сетей датчиков: эффективные методы для того, чтобы обмениваться информацией между узлами, и совместная обработка сигналов (CSP-collaborative signal processing ) между узлами, чтобы собрать полезную информацию относительно физического мира.

Введение-3

• Это сообщение описывает ключевые идеи CSP-алгоритмов для распределенных сетей датчика, развиваемых в Университете Висконсина. Мы также описываем основные идеи относительно того, как CSP-алгоритмы соединяют с алгоритмами организации сети/направления (networking/routing algorithms), развиваемыми в Висконсине (UWAPI) [2]. Мы мотивируем структуру через проблему обнаружения и прослеживания маневрирования единственной цели.

Введение-4

• Этот пример иллюстрирует существенные идеи лежащие в основе интеграции между UWAPI и UWCSP алгоритмами и также выдвигает на первый план ключевые аспекты алгоритмов локализации и обнаружения. Мы тогда основываемся на этих идеях, чтобы представить наш подход к прослеживанию многократных целей, который обязательно требует методов классификации.

Введение-5

• Прослеживание многократных целей через беспроводную сеть датчиков очень многоплановая проблема, и несколько групп исследования занялись различными аспектами этого [3] [8], [12], [13], [15], [18], [19], [21], [23], [25]. Мы рассматриваем аспекты этой проблемы, связанные с обработкой сигналов, при ограничениях, как связанных с ограниченными способностями узлов, так и связанных с организацией сети и управлением ею.

Введение-5

• В настоящей работе все наши алгоритмы базируются при обработке единственной модальности ощущения, типа сейсмического или акустического. Кроме того, текущее обнаружение и алгоритмы классификации базируются на обработке на одиночном узле, тогда как локализация и алгоритмы прослеживания требуют сотрудничества между узлами. Наш главный акцент в этой работе находится на классификации цели.

Введение-6

• В следующих двух подразделах, мы мотивируем потребность в CSP в сетях датчиков и описываем понятие пространственно-временных ячеек (space-time cells) для того, чтобы облегчить CSP. Секция 2 обсуждает полную структуру для того, чтобы обнаружить и отслеживать единственную цель. Секция 3 описывает алгоритмы классификации, которые мы исследовали, и сообщает о наших опытах с реальными данными. Секция 4 идентифицирует некоторые проблемы, и Секция 5 обсуждает некоторые направления будущего исследования. Секция 6 обеспечивает некоторые заканчивающиеся замечания.

Совместная обработка сигналов-1

• Обоснованием для разработки алгоритмов Совместной обработки сигналов является критичное ограничение мощности в беспроводной сети датчика. Ограниченное количество энергии, запасенной в каждом узле, должно поддержать множество функции, включая действия датчика, бортовую обработку сигнала, и связь с соседними узлами.

Совместная обработка сигналов-2

Таким образом, нужно рассмотреть энергосберегающие методы сбора данных, низко-скоростное осуществление выборки, экономичные обрабатывающие сигнал алгоритмы, и эффективные протоколы связи, чтобы обменять информацию среди узлов. Чтобы обеспечить контроль поля датчика, включая обнаружение, классификацию, идентификация, и прослеживание целей, глобальная информация и по месту и по времени должны быть собраны и проанализированы по указанной пространственно-временной области.

Совместная обработка сигналов-3

CSP-алгоритм может извлечь выгоду из следующих желательных особенностей:

Распределенная обработка (Distributive processing) - Сырые сигналы собираются и обрабатываются в индивидуальных узлах, но непосредственно не передаются по беспроводному каналу. Вместо этого, каждый узел извлекает уместные итоговые статистические данные относительно сырого сигнала, которые обычно имеют меньший размер. Итоговые статистические данные сохраняются по месту сбора и могут быть переданы к другим узлам после запроса.

Совместная обработка сигналов-4

Целенаправленная обработка (Goal-oriented, on-demand processing) - Чтобы сохранить энергию, каждый узел исполняет задачи обработки сигналов, которые являются уместными для текущего запроса. В отсутствии запроса, каждый узел переходит в резервный режим, чтобы минимизировать потребление энергии. Точно так же узел датчика автоматически не публикует извлеченную информацию, пока это не необходимо.

Совместная обработка сигналов-5

Информационный сплав (Information fusion)- Чтобы вывести глобальную информацию по некоторой пространственно-временной области из местных наблюдений, CSP должен обеспечить эффективный, иерархический организованный информационный сплав, прогрессивно понижающий информационную полосу пропускания, которая должна быть разделена между узлами на прогрессивно большие области.

Совместная обработка сигналов-6

Например, значительные объемы данных типа временного ряда (широкая полоса пропускания) могут быть переданы между соседними узлами для целей классификации. Однако, менее значительные объемы данных с более узкой полосой пропускания (данные о ближайшей точке входа) могут быть направлены в более отдаленные узлы для отслеживания цели.

Совместная обработка сигналов-7

Обработка с мульти-разрешением (Multiresolution processing) - В зависимости от природы вопроса, некоторые CSP задачи могут требовать более высокого пространственного разрешения, вовлекающего более точные выборочные данные от узлов, или более высокого временного разрешения, вовлекающего более высокие скорости дискретизации. Например, надежное обнаружение может быть достижимо с относительно грубым пространственно-временным разрешением, тогда как классификация обычно требует обработки в более высоком разрешении.

Пространственно-временная дискретизация и Пространственно-временная ячейки

Каждый объект в географической области производит меняющиеся во времени пространственные отметки, которые могут быть зафиксированы в различных модальностях, типа акустической, сейсмической или тепловой. Выборочные значения поступают от узлов, распределенных в пространстве, и пространственная плотность узлов должна быть соразмерена с нормой пространственного изменения поля. Точно так же временной ряд от каждого датчика должен быть выбран по норме, соразмерной с требуемой полосой пропускания, т.е. скоростью протекающих процессов.

Иллюстрация понятия пространственной ячейки. Вертикальное измерение изображает пространственное измерение, а горизонтальное - изображает время. Различные оттенки изображают изменения в пространственно-временном поле.
Однородное поле ячеек.

Трассировка движущегося объекта-1

• Двигающийся объект в области соответствует пику в пространственной области сигнала, который перемещается со временем. Прослеживание объекта соответствует прослеживанию местоположения пространственного пика в течении какого-то времени. Чтобы позволять такое прослеживание в сети датчиков, полная пространственно-временная область должна быть разделена на ячейки, чтобы облегчить местную обработку, как показано на рисунках. Размер ячейки зависит от скорости двигающегося объекта и скорости угасания интенсивности сигнала с расстоянием.

Трассировка движущегося объекта-2

• Далее мы обсуждаем обнаружение и прослеживание отдельной цели в распределенной сети датчиков. Пример иллюстрирует координацию между протоколами организации сети/направления и CSP алгоритмами. Одно из ключевых положений алгоритмов организации сети, развиваемых в Висконсине - то направление информации в сети датчиков должно быть основано на географии сети, а не характеристиках узлов сети [2].

Трассировка движущегося объекта-3

• Другими словами, с точки зрения направления информации, географические местоположения узлов – более критично, а не их произвольные тождества. В духе пространственно-временных ячеек, географическая область интереса разделена на меньшие области (пространственные ячейки), которые облегчают связь по сети датчика. Некоторые из узлов в каждой ячейке определяются как узлы-менеджеры для того, чтобы координировать обработку сигналов и связь в той ячейке.

Трассировка движущегося объекта-4

• Следующий рисунок иллюстрирует основную идею относительно регионально-ориентированного CSP для обнаружения и прослеживания одиночной цели. Согласно предположению, что потенциальная цель может проникнуть в контролируемую область через один из ее четырех углов, четыре ячейки, A, B, C и D, создана в соответствии с UWAPI протоколами. Узлы в каждой из этих четырех ячеек активизированы, чтобы обнаружить потенциальные цели.

Трассировка движущегося объекта-5

Трассировка движущегося объекта-6

• Каждый активизированный узел управляется алгоритмом обнаружения энергии, выделение которой выбрано по априорно установленной норме в зависимости от характеристик ожидаемых целей. Предположим, что цель входит в Ячейку A. Прослеживание цели состоит из следующих пяти шагов:

Трассировка движущегося объекта-7

(a) Некоторые и возможно все узлы в Ячейке обнаруживающийся цель. Эти узлы - активные узлы, и Ячейка - активная ячейка. Активные узлы также порождают информацию времени ближайшей точки входа. Активные узлы сообщают об их измерениях энергии на датчиках узлу-менеджеру в N последовательных моментах времени.

Трассировка движущегося объекта-8

(b) В каждый момент, узел-менеджер определяют местоположение цели по замерам выхода датчиков энергии активных узлов. Самая простая оценка местоположения цели в данный момент - местоположение узла с самым сильным сигналом в данный момент. Однако, могут использоваться более сложные алгоритмы для целевой локализации. Такие алгоритмы локализации оправдывают их более высокую сложность, только если точность их определения местоположения более высока, чем интервал размещения узлов.

Трассировка движущегося объекта-9

c) узел-менеджер использует местоположения цели в N последовательные моменты времени, чтобы предсказать местоположение цели в М (<N) будущих моментов времени.

Трассировка движущегося объекта-10

d) Предсказанные положения цели используются в соответствии с UWAPI протоколами, чтобы создать новые ячейки, в которые цель, вероятно, войдет. Это иллюстрировано на рисунке, где три пунктирных ячейки представляют области, в которые цель, вероятно, войдет после текущей активной ячейки. Поднабор этих ячеек активизирован в соответствии с UWAPI протоколами для последующего обнаружения и прослеживания цели.

Трассировка движущегося объекта-11

(e) Как только цель обнаружена в одной из новых ячеек, она определяется как новая активная ячейка, и узлы в первоначальной активной ячейке могут быть помещены в резервное состояние, чтобы сохранить энергию.

Трассировка движущегося объекта-12

Шаги (a) - (e) повторяются для новой активной ячейки, и это формирует основание из обнаружения и прослеживания отдельной цели. Для каждой обнаруженной цели, информационная область содержащая информацию прослеживания, типа местоположения цели в некоторые прошлые разы, обычно передают от одной активной ячейки до следующего. Это особенно важно в случае многократных целей.

Множественные Цели-1

Если множественные цели достаточно отделены по месту или по времени, когда они появляются, они занимают отличные пространственно-временные ячейки. Тогда, по существу та же самая процедура как описано выше, может использоваться: отдельный след начинается и обслуживается для каждой цели.

Множественные Цели-2

Достаточное разделение во время означает, что продукция датчика энергии показывает различимые пики, соответствующие ближайшим точкам входа для этих двух целей. Точно так же, достаточное разделение по месту означает, что в данный момент пространственные целевые показания указывают различимые пики, соответствующие узлам, которые наиболее близки к целям в тот момент.

Алгоритмы Обработки Сигналов: Обнаружение-1

Обнаружение энергии использует минимальную априорную информацию о цели. Датчик, по существу, вычисляет скользящее среднее сигнала над окном предуказанной длины. Продукция датчика выбрана по предуказанной норме. Продолжительность окна и скорость осуществления выборки определены в соответствии с целевыми характеристиками, типа спектральной полосы и ожидаемой продолжительности в специфической модальности.

Алгоритмы Обработки Сигналов: Обнаружение-2

Случай обнаружен, когда выход датчика превышает порог. Шумовой компонент в выходе датчика может быть смоделирован как Гауссовский белый шум, характеристики которого могут быть определены по статистике фонового шума. Порог динамически регулируется согласно оценке шума, датчик поддерживает постоянную норму ложной тревоги. Если выход датчика - ниже текущего порога, сигнал классифицируется как состоящий из только шума, и эти измерения используются, чтобы модернизировать порог.

Алгоритмы Обработки Сигналов: Обнаружение-3

Параметры выхода датчика энергии, которые сообщаются узлу-менеджеру, состоят из:

• время начала, когда выход датчика превышает порог;

• значение максимума;

• выходное показание датчика во время ближайшей точки входа;

• время погашения, когда выход датчика падает ниже порога.

Локализация Цели-1

Определение местоположения цели в последовательные моменты времени является неотъемлемой частью прослеживания. Здесь, мы кратко выделяем простой алгоритм для того, чтобы оценить местоположение цели в данный момент, используя измерения энергии на множестве (4 или больше) узлов. Такой энергооснованный алгоритм - потенциально привлекательная альтернатива по следующим причинам:

Локализация Цели-2

(a) Ключевое требование для точных методов локализации, типа базируемых на оценке временного запаздывания - точная синхронизация среди узлов. Однако, точная информация относительно времени довольно дорого обходится в беспроводной сети датчиков, синхронизация, предоставленная относительно дешевыми аппаратными средствами ЭВМ, не может быть достаточно точна для таких методов.

Локализация Цели-3

(b) Последовательные методы локализации, типа тех, которые используют формирование луча, также требуют дополнительных предположений, типа адекватности приближение плоской волной для наступающей волны. Такие предположения часто нарушаются в сетях датчика; например, цели могут быть скорее близко к узлам в окрестности времени ближайшей точки входа. Альтернативные методы, которые устраняют такие требования, могут также использоваться, хотя и за счет требования большего количества статистической информации.

Локализация Цели-4

(c) Обмен данными типа временного ряда среди узлов, как требуется некоторыми алгоритмами, потребляет слишком много энергии,чтобы быть выполнимым.

Наш алгоритм локализации цели на основе энергии принимает изотропное ослабление показателей целевого источника энергии.

Сопровождение Цели-1

Данные местоположения цели в ряд моментов времени в прошлом можно использовать для идентификации динамической модели, чтобы предсказать будущие местоположения цели. Для сопровождения одиночной цели, достаточно точное прослеживание может быть достигнуто путем сопоставления данным линейной или полиномиальной модели с использованием метода наименьших квадратов.

Сопровождение Цели-2

. Сопровождение множества целей - сложная проблема, когда следы целей могут пересечься, что приводит к проблеме ассоциации данных. Алгоритмы классификации могут обеспечить решение

Классификация Целей-1

• Алгоритмы классификации оперируют данными типа временного ряда, связанными с каждым обнаруженным случаем. Совместные алгоритмы классификации могут оперировать с пространственно-временными записями, связанными с каждым случаем, произведенными на множество узлов в пространственно-временной ячейке.

Классификация Целей-2

• Кроме того, пространственно-временные записи, соответствующие многомодальным методам, типа, аккустических и сейсмических, могут быть объединены для улучшенной работы. Однако, такая совместная классификация очень существенно обременяет сеть, так как данные от множества узлов должен быть переданы узлам-менеджерам.

Классификация Целей-3

• Алгоритмы классификации оперируют данными типа временного ряда, связанными с каждым обнаруженным случаем. Совместные алгоритмы классификации могут оперировать с пространственно-временными трассами, связанными с каждым из множества узлов в пространственно-временной ячейке.

Классификация Целей-4

Мы исследуем работу трех алгоритмов классификации: k-ближайших соседей (kNN-k-Nearest Neighbor), классификатор максимального правдоподобия (МП-классификатор), использующий Гауссовское моделирование данных, и SVM-классификатор - Машину Опорного Вектора.

Спектральные признаки-1

Выбор векторов признаков, на основе которых классификаторы работают, критически важен для качества классификации. Эксперименты с реальными данными, обсуждаемыми далее, соответствуют двигающимся транспортным средствам.

Спектральные признаки-2

Из-за доминирующего эффекта вращения в машинах (двигатель, механизмы, колеса, и т.д.), а также другие периодические явления, типа воздействия неровностей дороги, на акустических и сейсмических записях, спектры временных рядов оказываются полезными признаками.

Спектральные признаки-3

Наши начальные эксперименты показали, что спектральные характеристики записей изменяются значительно между целевыми классами и, следовательно могут быть плодотворны для классификации.

Спектральные признаки-4

Мы исследовали два типа спектральных особенностей:

1) Непараметрическая, FFT-основанная оценка плотности мощности спектра (PSD), и

2) Параметрические оценки PSD, использующие авторегрессионное моделирование временного ряда. Мы исследовали АР-моделирование (с меньшим количеством параметров) прежде всего, чтобы улучшить статистическую надежность оценок PSD.

Спектральные признаки-5

Следующие далее рисунки показывают сейсмические PSDs для трех различных транспортных средств (одно гусеничное и два колесных). Скорость осуществления выборки - 256Hz, и обнаруженные события состоят из 3000, 2500, и 2000 отсчетов для ряда событий.

Спектральные признаки-4

Для каждого случая, оценки PSD основаны на осреднении 256 FFT-сегментов данных длины 0.25 секунды (64 отсчета) дополненные нулями, с перекрытием на 32 отсчта между смежными сегментами данных. Только положительные 128 точек FFT представлены на графиках. Графики для этих трех транспортных средств показывают различные доминирующие частоты, которые могут эксплуатироваться классификаторами.

Сейсмический PSD колесного транспортного средства

Сейсмический PSD гусеничного транспортного средства

Сейсмический PSD колесного транспортного средства

Алгоритмы Классификации-1

• В этом разделе мы кратко описываем три классификатора, исследуемые в статье. Принимая набор N-мерных векторов признаков {x: x in R^N}, мы предполагаем, что каждому из них назначена C(x) метка класса, которая принадлежит набору 1: M. Мы обозначаем через p(i) априорную вероятность, что вектор признаков принадлежит классу i. Точно так же p (i|x) – апостериорную вероятность класса i при условии, что x наблюден.

Алгоритмы Классификации-2

Классификатор минимальный ошибки отображает каждый вектор x в такой элемент из 1: M, что вероятность ошибочной классификации, т. е. вероятность того, что ярлык классификатора отличается от истинного ярлыка, минимальна. Чтобы достичь этой минимальной ошибки, оптимальный классификатор решает, что x имеет ярлык i , если p (i | x)> p (j | x) для всех

j <>i.

Алгоритмы Классификации-3

Практически, очень трудно оценить апостериорную вероятность в законченном виде. Вместо этого, можно использовать соответствующую дискриминантную функцию g(i,x), которая удовлетворяет неравенству

g(i,x)>g(j,x), если p (i|x)> p ( j |x) для i<> j.
Тогда минимальная ошибка классификация может быть достигнута так: решите, что x имеет ярлык i , если g(i,x)>g(j,x) для i<> j.

Алгоритмы Классификации-4

Минимальная вероятность неправильной классификации также известна как байесовская ошибка, и соответствующий классификатор известен как оптимальный классификатор Байеса, или МАВ-классификатор (МАВ-максимум апостериорной вероятности). Ниже, мы кратко обсуждаем три классификатора, которые приближают МАВ-классификатор.

Классификатор k-ближайших соседей (kNN)

Классификатор kNN использует все доступные данные для обучения: X={{x^s, C(x^s)}, s=1: M}. В течение классификации, вычисляются расстояния между каждым вектором из X и классифицируемым образцом, идентифицируются k векторов из X, которые наиболее близки к испытуемому вектору.

Классификатор k-ближайших соседей (kNN)

Ярлыки этих k-ближайших векторов обучающей совокупности объединяются, используя, например, голосование по большинству. Когда k=1, kNN классификатор называют классификатором по ближайшему соседу.

Классификатор k-ближайших соседей (kNN)

Однако, когда размер обучающей совокупности возрастает, kNN классификатор уже не является очень подходящим для практического применения, так как требует слишком большого объема памяти и процессорного времени.

Классификатор Максимального правдоподобия

В этом классификаторе, распределение обучающих векторов из одного и того же класса моделируется как Гауссовская функция плотности. Тогда функция максимального правдоподобия моделируется так:

Классификатор Максимального правдоподобия

Параметры модели можхно идентифицировать, применяя алгоритм кластеризации, типа алгоритма k-средних [9], или алгоритма максимизации ожидаемого [28] к обучающим векторам каждого класса. В числовых примерах мы моделируем данные как Гауссовские, а не Гауссовскую смесь (P=1).

SVM-Классификатор (Машинf Опорного Вектора - Support Vector Machine)-1

SVM –классификатор является, по существу, линейным классификатором, работающим в пространстве более высокой размерности. Рассмотрим без потери общности проблему классификации на два класса. Пусть

{f(x,m), x in R^N, m in 1:M } набор нелинейных отображений, преобразующий R^N в R^M (M> N). Линейный классификатор g, характеризуемый весами {w₁, w₂..., w_M.}, работает в этом в пространстве более высокой размерности.

SVM-Классификатор -2

g(x)=sum{w_m*f(x,m)+b, m in 1:M }, где b это смещение - параметр классификации. Если g(x)>0, то он относится к одному из двух возможных классов, иначе – к другому. Оптимальный набор весов {w₁, w₂..., w_M.} и b в терминах подмножества векторов {x_m:m in 1:Q}, именуемых опорными, тогда

w_j =sum{q_m*f(x_m,m)+b, m in 1:Q }.

SVM-Классификатор –3

Используя приведенное выражение для весов, дискриминантную функцию можно записать как

g(x)=sum{w_m*K(x, x_m)+b, m in 1:M }, где

K(x, x_m)= sum{ f(x,m)*f(x_m,m), m in 1:M } симметрическое ядро, представляющее SVM.

SVM-Классификатор – 4

В числовых примерах, представленных ниже, мы используем полиномиальное ядро степени 3: K(x, x_m)= (x ^T*x_m+1)³. Практически, SVM-дискриминантную функцию g(x) вычисляют, используя ядерное представление, минуя нелинейное преобразование в пространство более высокой размерности [10]. Проект классификатора тогда соответствует выбору ядра и опорных векторов.

SVM-Классификатор – 5

Соответственным выбором ядра, SVM может реализовать классификатор типа нейронной сети. Подобно нейронным сетям, стадия обучения может взять долгое время. Однако, как только классификатор обучен, его относительно легко применить. Вообще, особая SVM обучается на каждый класс. Выход каждой SVM может тогда быть расценен как оценка апостериорной вероятности соответствующего класса, и классификация по максимуму апостериорной вероятности может быть непосредственно применена.

Перекрестная проверка-1а

Оценка эффективности работы классификатора - критический компонент проекта. Практически, вероятность ошибочной классификации должна быть оценена опытным путем. Доступные векторы признаков разделяют на два набора: набор для обучения, который используется, чтобы обучить классификатор, и набор для испытания, который используется, чтобы оценить его вероятность ошибочной классификации.

Перекрестная проверка-1б

В числовых результатах, представленных в следующих секциях, мы используем трехстороннюю перекрестную проверку. Данные разделены на три набора (F1, F2, F3), и три различных набора экспериментов выполнены для оценки классификатора:

Перекрестная проверка-2

Перекрестная проверка-3

Результаты относятся к бинарной классификации между колесными и гусеничными транспортными средствами, с использованием узкополосных сейсмических и широкополосных акустических данных.

Перекрестная проверка-4

Узкая Полоса пропускания. Сейсмические Данные.

Мы сравниваем работу этих трех классификаторов на узкополосных данных от сейсмических датчиков, собранных в экспериментах SITEX00. Продукции датчика были выбраны со скоростью 256 гц. Спектральные векторы признаков состоят из 64 отсчетов FFT-128, соответствующих отрезка временного ряда по 0.5 секунд. Было два типа гусеничных(tracked) и пять типов колесных(wheeled) транспортных средств в наборе данных. Эти три набора данных для трехсторонней ратификация имели следующие числовые характеристики:

Перекрестная проверка-5

Перекрестная проверка-6

• Матрицы коллизий для этих трех классификаторов сведены в таблицу ниже. Вертикальные ярлыки соответствуют истинным ярлыкам, тогда как горизонтальные ярлыки соответствуют ярлыкам классификатора.

Перекрестная проверка-7

Перекрестная проверка-8

Перекрестная проверка-9

• SVM

Tracked Wheeled

Перекрестная проверка-10

Как видно, классификаторы по ближайшему соседу и SVM весьма хороши. Несколько хуже результаты классификатора Максимального Правдоподобия, возможно, вследствие того, что мы не вычисляли априорные вероятности класса, которые неявно вычисляются в kNN и SVM классификаторах. О подобных результатах сообщили другие исследователи [18], [19].

Перекрестная проверка-11

• Широкополосные Акустические Данные

• В течение экспериментов SITEX00, исследовательские группы от BAE и Ксерокс PARC зарегистрировали аккустические данные в широкополосной сети. BAE данные были выбраны в со скоростью 10 КГЦ, и данные Ксерокс были выбраны для 20 и 40 КГЦ. Обоими наборами данных был прорежены до 5 КГЦ перед применением алгоритмов классификации. На основе видеозаписей, сделанных в течение эксперимента, каждый пробег (состоящий из нескольких событий) был сегментирован в пятисекундные доли и каждая доля были вручную помечена как гусеничная или колесная.

Перекрестная проверка-12

• Для каждый пятисекундный акустический клип (дискретизованный в 5 КГЦ) подвергнут 1000-точечному FFT. Так получается 25 1000-точечных FFT-векторов для каждого 5-секундного сегмента. Эти векторы перевели путем поэлементного вычисления модуля в оценки PSD с разрешением 5 ГЦ. Наше изучение данных указало, что большинство энергии сигнала ограничено частотами ниже 1 КГЦ.

Перекрестная проверка-13

Мы использовали Фурье-коэфициенты, соответствующие первым 200 спектральным отсчетам. Чтобы еще уменьшить размерность признакового пространства и повысить статистическую надежность, мы извлекли два типа спектральных особенностей этих непараметрических оценок PSD:

Перекрестная проверка-14

• Тип 1. Ненакладывающиеся наборы 4-х смежных спектральных отсчетов усреднены, чтобы привести к 50-тимерному вектору признаков с каждым входом, представляющим энергию сигнала в полосе частот 20 (5 × 4) Гц.

• Тип 2. Ненакладывающиеся наборы 10 смежных спектральных отсчетов усреднены, чтобы привести к 20-тимерному вектору признаков с каждым входом, представляющим энергию сигнала в полосе частот 50 (5 × 10) Гц.

Перекрестная проверка-15

• Каждый вектор признаков затем смещен по уровню, чтобы среднее составило 0, а также масштабирован в интервал [-1,1].

• Эти три набора данных, используемые в трехсторонней перекрестной классификации, имели следующее число представителей в каждом классе:

Перекрестная проверка-16

Перекрестная проверка-17

Перекрестная проверка-18

Перекрестная проверка-19

• Классификатор максимального правдоподобия:

Tracked Wheeled

Перекрестная проверка-20

Ссылки

• 1] D. Estrin, L. Girod, G. Pottie, and M. Srivastava, ``Instrumenting the world with wireless sensor network,'' Proc. ICASSP'2001, Salt Lake City, UT, pp. 26752678, 2001.

• [2] P. Ramanathan, K. Saluja, KC. Wang, T. Clouqueur, "UWAPI: A Network Routing Application Programmer's Interface", draft version 1.0, January 2001.

• [3] R. Brooks, C. Griffin, and D. S. Friedlander, "SelfOrganized distributed sensor network entity tracking," to be published in the International Journal of High Performance Computing Applications, Special Issue on Sensor Networks, 2002.

• [4] R. Brooks and C. Griffin, "Traffic model evaluation of ad hoc target tracking algorithms," to be published in the International Journal of High Performance Computing Applications, Special Issue on Sensor Networks, 2002.

• [5] J. C. Chen, R. E. Hudson, and K. Yao, ``A Maximum likelihood parametric approach to source localization,'' Proc. ICASSP'2001, Salt Lake City, UT, pp. 10431046, 2001.

Ссылки

• [6] L. M. Kaplan, Q. Le, and P. Molnar, ``Maximum likelihood methods for bearingsonly target localization,'' Proc. ICASSP'2001, Salt Lake City, UT, pp. 554557, 2001.

• [7] P. W. Boettcher and G. A. Shaw, "A Distributed TimeDifference of Arrival Algorithm for Acoustic Bearing Estimation", Proc. 4 th International Conf. on Information Fusion, vol. 1, Montreal, August 2001.

• [8] D. S. Friedlander and S. Phoha, "Semantic Information Fusion of Coordinated Signal Processing in Mobile Sensor Networks," to be published in The International Journal of High Performance Computing Applications, Special Issue on Sensor Networks, 2002.

• [9] R. O. Duda and P. E. Hart, Pattern classification and Scene Analysis, New York, Wiley, 1973.

• [10] S. Haykin, Neural Networks, Prentice Hall

Ссылки

• [11] H. V. Poor, An Introduction to Signal Detection and Estimation, Springer Verlag, 1988.

• [12] A. M. Sayeed and D. L. Jones, ``Optimal Detection Using Bilinear TimeFrequency and Time Scale Representations,'' IEEE Transactions on Signal Processing, vol. 43, no. 12, pp. 28722883, December, 1995.

• [13] K. Yao, R. E. Hudson, C. W. Reed, D. Chen, and F. Lorenzelli, ``Blind Beamforming on a Randomly Distributed Sensor Array System,'' IEEE Journal on Selected Areas in Communications, Special Issue on Signal Processing for Wireless Communications, vol. 16, no. 8, pp. 15551567, Oct.1998.

• [14] C. W. Reed, R. Hudson, and K. Yao, ``Direct Joint Source Localization and Propagation Speed Estimation,'' Proc. IEEE ICASSP, March 1999, pp. 11691172.

• [15] K. Yao, R. E. Hudson, C. W. Reed, T. L. Tung, D. Chen, and J. C. Chen, ``Estimation and Tracking of an Acoustic/Seismic Source Using a Beamforming Arrays based on Residual Minimizing Methods,'' Proc. 1999 Meeting of the MSS Specialty Group on Battlefield Acoustic and Seismic Sensing, Sept. 1999, pp.

129136.

Ссылки

• [16] J. R. Agre and L. P. Clare, ``An Integrated Architecture for Cooperative Sensing Networks,'' Computer, vol. 33, May 2000, pp. 106108.

• [17] L. P Clare, G. J. Pottie, and J. R. Agre, ``SelfOrganizing Distributed Sensor Networks,'' Proc. SPIE, vol.

• 3713, April 199, pp. 229238.

• [18] J. F. Scholl, J. R. Agre, L. P. Clare, and M. C. Gill, ``A Low Power Impulse Signal Classifier Using the Haar Wavelet Transform,'' Proc. SPIE, vol. 3577, Nov. 1998, pp. 136145.

• [19] J. F. Scholl, J. R. Agre, and L. P. Clare, ``Wavelet Packet Target Classification Schemes,'' Proc. 1999 Meeting of the MSS Specialty Group on Battlefield Acoustic and Seismic Sensing, Sept. 1999 (17 pages).

• [20] J. F. Scholl, L. P. Clare, and J. R. Agre, ``Seismic Attenuation Characterization Using Tracked Vehicles,'' Proc. 1999 Meeting of the MSS Specialty Group on Battlefield Acoustic and Seismic Sensing, Sept. 1999 (11 pages).

Ссылки

• [ [21] R. Moses, R. Patterson, D. Krishnamurthy, N. Srour, and T. Pham, ``SelfCalibration of Unattended Ground Sensor Networks,'' Proc. Advanced Sensor Consortium, ARL Federated Laboratory 5 th Annual Symposium, March 2001, pp. 6370.

• [22] S. Natkunanatham, A. Sipos, S. Avery, G. J. Pottie, and W. J. Kaiser, ``A Signal Search Engine for Wireless Integrated Network Sensors,'' Proc. Advanced Sensor Consortium, ARL Federated Laboratory 4 th Annual Symposium, March 2000, pp. 8994.

• [23] M. Chu, H. Haussecker, F. Zhao, ``Scalable InformationDriven Sensor Querying and Routing for Ad Hoc Heterogeneous Sensor Networks,'' to be published in the International Journal on High Performance Computing Applications, Special Issue on Sensor Networks, 2002.

• [24] S. Mallat, A Wavelet Tour of Signal Processing, 2 nd Edition, Academic Press.

• [25] A. M. Sayeed, ``DataDriven TimeFrequency and TimeScale Detectors,'' Proc. SPIE's 42 nd Meeting, San Diego, July 1997.

• [26] E. N. Onggosanusi, A. M. Sayeed, B. D. Van Veen, ``Canononical SpaceTime Processing for Wireless Communications,'' IEEE Trans. Commun., pp. 16691680, Oct. 2000.

• [27] A. J. Paulraj and C. B. Papadias, ``SpaceTime Processing for Wireless Communications,'' IEEE Signal Processing Magazine, pp. 4983, Nov. 1997.

• [28] C. M. Bishop, ``Neural networks for pattern recognition'', Clarendon press, Oxford, U.K., 1995.

В начало

Оглавление

На главную