基于高维概率理论的大尺度多天线网络异常检测与估计方法研究

Previous anomaly detection and parameter estimation in wireless networks generally assume that observed networks are medium or small scale, anomalous networks are embedded in background networks based on "adding edges model", and the number of fault array in the networks is just one. However, in practical applications, the observed networks are more probably large scale, the embedded model of anomalous networks is "subtracting edges model", and there are several arrays that have fault antennas. As a result, the traditional algorithms may fail to detect the anomalous networks and estimate the parameters in above situations. Aiming at solving the above problems, this project uses high-dimensional probability theory as a mathematical tool to investigate the following contents: (1) study the anomaly detection methods when the embedded model of signal subgraph is "subtracting edges model" in wireless networks; (2) investigate the low complexity detection methods for large scale multiple-antenna networks ; (3) propose distributed algorithms for estimating the fault antennas based on high-dimensional probability theory; (4) analyze the performance of methods of anomaly detection and estimation in large scale multiple-antenna networks. By using the special merits of high-dimensional probability theory for extracting the statistical property of networks, we excavate the characteristics of high-dimensional relational data and array signal, overcome the several key problems of large scale multiple-antenna networks, and propose the corresponding methods of anomaly detection and parameter estimation. Therefore, the project is very important for both theory and application.

以往的无线网络异常检测与参数估计算法通常假设观测网络为中低尺度网络，异常网络以“增加边数模式”嵌入到背景网络，以及网络中的故障阵列为单个阵列，然而实际情况往往是观测网络为大尺度网络，异常网络的嵌入方式为“减少边数模式”，同时无线网络中的故障阵列为多个。传统的网络异常检测与估计算法在上述大尺度多天线网络背景下往往失效。针对上述问题，本项目以高维概率理论为数学处理手段，研究（1）信号子图嵌入方式为“减少边数模式”的无线网络异常检测方法；（2）大尺度多天线网络下低复杂度异常检测方法；（3）基于高维概率理论的分布式故障天线估计方法；（4）大尺度多天线网络下异常检测与估计性能。本项目利用高维概率理论在网络统计特征提取方面所具有的独特优势，挖掘高维关系数据和阵列信号的特征信息，攻克大尺度多天线网络中的若干关键技术问题，提出异常检测与估计方法，具有重要的理论和实际意义。

本项目将高维概率理论应用到大尺度多天线网络异常检测与估计的研究当中，解决了观测网络为大尺度网络，异常网络的嵌入方式为“减少边数模式”，无线网络中的故障阵列为多个情况下的复杂异常检测与估计问题，主要成果如下：（1）研究了大尺度多天线无线网络背景下信号子图嵌入方式为“减少边数模式”的异常子图检测问题，提出稳健的网络异常检测方法；（2）提取背景网络和异常网络的结构特征，联合网络特征信息及网络模型与图特征信息间对应关系，提出大尺度多天线网络下低复杂度异常检测方法，分析了检测方法性能的目标函数，得到了紧的非渐近性能边界；（3）研究了高维概率理论，以及分布式计算方式下的谱估计法、稀疏重构法的可行性，利用空域滑动窗方法诊断失效或故障天线，基于无网格压缩感知实现了MIMO雷达距离-角度的联合估计，借助可重构表面（RIS）提出了非视距条件下混合最大似然的近场参数估计算法。本项目利用高维概率理论在网络统计特征提取方面所具有的独特优势，挖掘高维关系数据和阵列信号的特征信息，攻克大尺度多天线网络中的若干关键技术问题，提出异常检测与参数估计方法，具有重要的理论和实际意义。现已在IEEE TSP、IEEE TVT等国际权威期刊和IEEE ICCS、IEEE Radar Conference等国际会议上发表论文 11 篇，相关成果申请发明专利2项，还有部分成果正在整理和投稿评审过程中。