В.И. Парфенов1, А.А. Калининский2, Каун Мьят Сан3, А.В. Терехов4

1,2 Воронежский государственный университет (г. Воронеж, Россия)

3,4 Национальный исследовательский университет «МЭИ» (Москва, Россия)

1 vip@phys.vsu.ru, 2 kalininskii-a-98@mail.ru, 3 kmyatsan@mail.ru, 4 aleksandr-terekhov@ya.ru

Постановка проблемы. Одной из важных задач, решаемых в беспроводных сенсорных сетях, является задача комплексного измерения (оценки) некоторого параметра наблюдаемого объекта излучения. При этом для повышения эффективности используется информация от совокупности сенсоров, каждый из которых независимо от других выносит свою оценку, а окончательная оценка формируется в центральном узле. Для повышения точности формируемой оценки алгоритм, применяемый в центральном узле, должен учитывать статистические характеристики оценок, выносимых в отдельных сенсорах. В этой связи необходимо разработать алгоритмы комплексной оценки в центральном узле, базируясь на некоторых наиболее часто используемых моделях распределений оценок неизвестных параметров.

Цель. Представить новые алгоритмы комплексной оценки параметров излучения объектов для наиболее распространенных моделей распределений оценок неизвестных параметров (для регулярных/разрывных сигналов, при наличии/отсутствии аномальных ошибок) и определить условия их наиболее эффективного функционирования.

Результаты. Выполнен статистический синтез алгоритмов комплексной оценки параметров излучения объектов при использовании наиболее распространенных моделей распределений оценок. Для каждой из моделей разработаны два алгоритма оценивания: на основе решения задачи сравнения статистических гипотез и на базе оценки параметров при наличии дискретных наблюдаемых данных. Проведено статистическое имитационное моделирование предложенных алгоритмов. Выполнено исследование влияния на эффективность комплексной оценки таких параметров, как число разрядов, используемых при квантовании оценок, отношение сигнал/шум и число сенсоров в сети.

Практическая значимость. Предложенные алгоритмы позволяют сделать обоснованный выбор параметров сети для достижения наилучшей эффективности оценивания в заданных условиях, учитывая то, что их использование в беспроводных сенсорных сетях способствует повышению точности оценивания неизвестных параметров объектов излучения.

Парфенов В.И., Калининский А.А., Каун Мьят Сан, Терехов А.В. Исследование влияния вида распределения неизвестного параметра на эффективность его комплексной оценки // Радиотехника. 2025. Т. 89. № 12. С. 110–122. DOI: https://doi.org/10.18127/j00338486-202512-13

1. Ratu D.J., Sameena B. Brief survey on wireless sensor network routing // 2023 7-th International Conference Computation Sys-
   tems and Information Technology for Sustainable Solutions (CSITSS). Bangalore. India. 2023. Р. 1-8. https://doi.org/10.1109/CSITSS605.15.2023.10334097.
2. Jamshed M.A., Ali K., Abbasi Q.H., Imran M.A., Ur-Rehman M. Challenges, applications, and future of wireless sensors in Internet of Things // IEEE Sensors Journal. 2022. V. 22(7). P. 5482-5494. https://doi.org/10.1109/JSEN.2022.3148128.
3. Vishnoi N., Dwivedi R.K. Comprehensive survey on the reliability of wireless sensor networks // 2022 11-th International Conference on System Modeling & Advancement in Research Trends (SMART). Moradabad. India. 2022. Р. 496-502. https://doi.org/10.1109/SMART55829.2022.10047428.
4. Yao Y.-D., Cui Y.-P., Wang J.-J., Wang C. Energy-efficient routing protocol based on multi-threshold segmentation in wireless sensor networks for precision agriculture. IEEE Sensor Journal. 2022. V. 22(8). P. 6216-6231. https://doi.org/10.1109/JSEN.2022.3150770.
5. Fun W., Li C., Huang Y., Ottersten B. Joint parameter estimation from binary observations over decentralized channels // IEEE Transactions on Signal Processing. 2022. V. 70. P. 509-522. https://doi.org/10.1109/TSP.2022.3141254.
6. Zhang X., Vasconcelos M.M., Cui W., Mitra U. Distributed remote estimation over the collision channel with and without local communication. IEEE Transactions on Control of Network Systems. 2022. V. 9(1). P. 282-294. https://doi.org/10.1109/TCNS.2021.3100405.
7. Khobahi S., Soltanalian M., Jiang F., Swindlehurst A.L. Optimized transmission for parameter estimation in wireless sensor networks. IEEE Transactions on Signal and Information Processing over Networks. 2020. V. 6. P. 35-47. https://doi.org/10.1109/TSIPN.2019.2945631.
8. Pereira S.S., Lopez-Valcarce R. Pages-Zamora A. Parameter estimation in wireless sensor networks with faulty transducers: A distributed EM approach. Signal Processing. 2018. V. 144. P. 226-237. https://doi.org/10.1016/j.sigpro.2017.10.012.
9. Ravazzi C., Chan N.P.K., Frasca P. Distributed estimation from relative measurements of heterogeneous and uncertain quality. IEEE Transactions on Signal and Information Processing over Networks. 2019. V. 5(3). P. 203-217. https://doi.org/10.1109/TSIPN.2018.2869117.
10. Fascista A., Coluccia A., Ravazzi C. A unified Bayesian framework for joint estimation and anomaly detection in environmental sensor networks // IEEE Access. 2023. V. 11. P. 227-248. https://doi.org/10.1109/ACCESS.2022.3231909.
11. Fagnani F., Fosson S.M., Ravazzi C. A distributed classification/estimation algorithm for sensor networks // SIAM Journal on Control and Optimization. 2014. V. 52(1). P. 189-218. https://doi.org/10.1137/120876873.
12. Akhtar J., Rajawat K. Distributed sequential estimation in wireless sensor networks // IEEE Transactions on Wireless Communications. 2018. V. 17(1). P. 86-100. https://doi.org/10.1109/TWC.2017.2762672.
13. Mayer F., Vogel C. An optimization-based approach to one-bit quantization // 2024 IEEE International Symposium on Circuits and Systems (ISCAS). Singapore. 2024. Р. 1-5. https://doi.org/10.1109/ISCAS58744.2024.10558238.
14. Nguyen T., Nguyen T. Optimal thresholding quantizer maximizing mutual information of discrete multiple-input continuous one-bit output quantization // 2021 IEEE International Symposium on Information Theory (ISIT). Melbourne. Australia. 2021. Р. 646-651. https://doi.org/10.1109/ISIT45174.2021.9518029.
15. Richards M.A., Scheer J.A., Holm W.A. Principles of modern radar: Basic principles. Edison: SciTech Publishing. 2010. 960 p.
16. Куликов Е.И., Трифонов А.П. Оценка параметров сигналов на фоне помех. М.: Советское радио. 1978. 296 с.
17. Трифонов А.П., Шинаков Ю.С. Совместное различение сигналов и оценка их параметров на фоне помех. М.: Радио и связь. 1986. 264 с.
18. Moon T.K., Stirling W.C. Mathematic methods and algorithms for signal processing. Upper Saddle River: Prentice Hall, 2000. 984 p.
19. Теория обнаружения сигналов / Под ред. П.А. Бакута. М.: Радио и связь. 1984. 440 с.
20. Chernoyarov O.V., Sai Si Thu Min, Salnikova A.V., Shakhtarin B.I., Artemenko A.A. Application of the local Markov approximation method for the analysis of information processes processing algorithms with unknown discontinuous parameters // Applied Mathematical Sciences. 2014. V. 8(90). P. 4469-4496. https://doi.org/10.12988/ams.2014.46415.
21. Справочник по специальным функциям / Под ред. М. Абрамовица, И. Стиган. М.: Наука. 1979. 831 с.
22. Ибрагимов И.А., Хасьминский Р.З. Асимптотическая теория оценивания. М.: Наука. 1979. 528 с.
23. Chernoyarov O.V., Kutoyants Y.A., Trifonov A.P. On misspecifications in regularity and properties of estimators // Electronic Journal of Statistics. 2018. V. 12(1). P. 80-106. https://doi.org/10.1214/17-EJS1385.
24. Parfenov V.I., Le V.D. Optimal fusion rule for distributed detection with channel errors taking into account sensors’ unreliability probability when protecting coastlines // International Journal of Sensor Networks. 2022. V. 38(3). P. 71-84. https://doi.org/10.1504/IJSNET.2022.121157.