Selección de sensores en sistemas de fusión de decisiones inalámbricas

Abstract

Este trabajo explora una técnica de selección de sensores en sistemas de fusión de decisiones inalámbricos, en el cual sensores distribuidos espacialmente transmiten decisiones binarias a un centro de fusión (FC). En escenarios realistas, las probabilidades de detección locales de cada sensor son desconocidas y deben ser estimadas. Para ello, se emplea el algoritmo Expectation-Maximization (EM), que permite estimar estas probabilidades de forma ciega a partir de las decisiones recibidas en distintos periodos de observación. A partir de las estimaciones obtenidas, se propone una métrica de clasificación que combina las probabilidades de detección y de falsa alarma en un único cociente que refleja la fiabilidad de cada sensor. Esta métrica permite descartar selectivamente los sensores de bajo rendimiento que pueden introducir ruido y perjudicar la decisión global. Mediante simulaciones de Monte Carlo, se analiza el impacto de esta estrategia sobre dos métricas clave: la raíz cuadrada del error cuadrático medio (RMSE) de la estimación y la probabilidad de detección del sistema. Los resultados demuestran que, cuando se utiliza una regla de fusión óptima como la LRT, eliminar sensores no mejora la probabilidad de detección. No obstante, descartar los sensores menos fiables permite mantener una alta precisión en la detección, al tiempo que se reduce la sobrecarga de comunicación y el consumo energético.

This work explores a sensor selection technique in wireless decision fusion systems, in which spatially distributed sensors transmit binary decisions to a fusion center (FC). In realistic scenarios, the local detection probabilities of each sensor are unknown and must be estimated. To this end, the Expectation-Maximization (EM) algorithm is employed, allowing for blind estimation of these probabilities based on the decisions received over different observation periods. Based on the obtained estimates, a classification metric is proposed that combines the detection and false alarm probabilities into a single ratio reflecting each sensor’s reliability. This metric enables the selective exclusion of low-performing sensors that may introduce noise and degrade the overall decision. Monte Carlo simulations are used to analyze the impact of this strategy on two key metrics: the root mean square error (RMSE) of the estimation and the system's detection probability. The results show that when using an optimal fusion rule, such as the LRT, removing sensors does not improve the detection probability. However, discarding the least reliable sensors allows for maintaining high detection accuracy while reducing communication overhead and energy consumption.