Estudo e desenvolvimento de detectores distribuídos com convergência rápida

Resumo

Atualmente há um grande interesse no desenvolvimento de técnicas de detecção utilizando redes distribuídas, devido à sua economia de energia e de recursos, robustez a falhas em nós e links, escalabilidade e melhor desempenho em rastreamento. Algoritmos de detecção podem de modo geral ser baseados em detectores de Neyman-Pearson (NP), que maximizam a probabilidade de detecção dada uma máxima taxa de falso alarme, ou em detectores bayesianos, que minimizam a probabilidade de erro em detecção. Implementados em redes distribuídas, com conexões apenas entre nós vizinhos, cada nó deve decidir entre hipóteses concorrentes sobre o estado do ambiente onde a rede está inserida. Durante o mestrado do candidato, procurou-se investigar o desempenho de detectores distribuídos em transiente, e foi proposto um detector binário de máxima verossimilhança - isto é, com as probabilidades a priori do detector Bayesiano iguais. O processo de decisão se baseava em medidas locais e em estimativas compartilhadas entre nós, utilizando o algoritmo de estimação distribuída LMS por difusão. Uma inicialização específica do algoritmo desenvolvido possibilitou acelerar seu desempenho, reduzindo significativamente o tempo necessário para a convergência da probabilidade de erro. Neste projeto, propomos generalizar os resultados já alcançados para novas situações, além de aprofundá-los, desenvolvendo uma análise mais completa do desempenho em transiente de detectores distribuídos. Procuraremos desenvolver soluções para detectores NP e bayesianos para probabilidades a priori diferentes e para situações com mais do que duas hipóteses, procurando generalizações teóricas para os novos resultados, além de considerar o desempenho dos algoritmos no caso de ambientes não estacionários (rastreamento). (AU)