researchsquare.com来源发表:
传感器网络不再只猜自己：先认出同状态邻居，再让每个节点复原全网状态
核心概要
异构传感网络里的节点过去只能推断自身状态，或依赖中心处理器汇总全网测量。现在一种名为簇感知社会学习的去中心化方法让每个节点先用本地观测和邻居交换找出共享同一隐藏状态的连通簇，再为每个簇维护一个信念并映射回各节点，从而在只交换簇级信息的前提下复原全网状态配置。合成高斯实验与真实气体传感器数据都显示，簇结构冻结后各节点对每个簇真实状态的信念趋近于一。
正在载入内容…
异构传感网络里的节点过去只能推断自身状态，或依赖中心处理器汇总全网测量。现在一种名为簇感知社会学习的去中心化方法让每个节点先用本地观测和邻居交换找出共享同一隐藏状态的连通簇，再为每个簇维护一个信念并映射回各节点，从而在只交换簇级信息的前提下复原全网状态配置。合成高斯实验与真实气体传感器数据都显示，簇结构冻结后各节点对每个簇真实状态的信念趋近于一。
传感网络中的每个节点现在可以推断全网所有节点的隐藏状态，而不只是自己那一个。 此前的去中心化推断要么假设全网共享单一状态，要么只让每个节点估计自身状态，把协作仅用于改善本地推断。 在20个节点、5个高斯均值的合成网络中，簇发现运行50次迭代后，各节点的标签向量稳定到与连通同状态分量一致的划分，例如所有节点都把1、6、11、16标为同一簇。
方法分两阶段运行：先发现簇，再在簇级别做社会学习。 早期面向全网状态的多变量信念方案要求每个节点维护并交换覆盖所有全网状态配置的信念，其维度随网络规模指数增长。 簇发现阶段每个节点用本地贝叶斯更新得到自身状态信念，与邻居比较后按阈值ε合并同状态邻居，再通过划分的连接操作合并各邻居的中间划分；第二阶段每个节点为每个已发现簇维护一个概率向量，用本地观测更新自身所在簇的信念，用邻居传来的中间信念按几何池化更新其他簇。
交换的信息量由簇的数量决定，而不是由节点数量或全网状态配置数量决定。 按节点逐一维护和交换决策统计量会让通信开销随网络规模增长。 合成实验中20个节点最终收敛到5个参考簇，每个节点在第二阶段只维护5个簇信念；真实气体传感器实验中10个节点对应4种气体，最终收敛到4个簇。
真实气体传感器数据上，节点仅靠本地测量和邻居通信就能恢复全网气体状态配置。 合成实验使用已知的高斯观测模型，而真实数据没有闭式似然，需要由本地分类器输出构造似然比。 实验使用UCI Twin Gas Sensor Arrays数据集，10个节点各配四通道化学传感器，隐藏状态为CO、乙醇、乙烯和甲烷四种气体；簇发现用前5个特征向量、阈值ε=10⁻³，到第20个时间步各节点对每个目标节点真实气体状态的信念接近于一。
该方法在隐藏状态固定、通信图固定的设定下得到验证，节点通过本地观测和邻居间交换推断全网状态。合成实验为20个节点、5个高斯均值，真实实验为10个节点、4种气体，且都假设同一隐藏状态的节点在通信图中构成单一连通分量。适合关注去中心化推断与传感网络监测的研究者和工程师阅读。
簇发现与全网状态推断是解耦的，节点必须先完成簇发现再进入推断阶段。若两个隐藏状态不同的节点在簇发现阶段被错误合并，第二阶段无法完全纠正这一错误。簇发现依赖阈值ε和簇发现时长T的联合选择：阈值越大合并越快但可能错误合并，阈值越小越保守但需要更长时间；T超过簇结构稳定所需时间只会推迟第二阶段开始。当前设定针对固定隐藏状态和固定通信图。