상관관계가 있는 센서 관측과 선형 융합을 위한 전력 최적 배분

** 본 논문은 무선 센서 네트워크(WSN)에서 이진 가설 검정을 수행하는 시스템을 대상으로, 센서들의 관측이 상관된 가우시안 분포를 따를 때 전력 할당 전략을 설계한다. 기존 연구들은 주로 센서가 관측 상관성을 알고 있거나, 관측이 독립적이라고 가정하고 전력 최적화를 수행했지만, 실제 환경에서는 센서가 서로의 관측을 알 수 없으며, 관측 상관성이 존재할 가능성이 높다. 이러한 현실성을 반영하기 위해 저자들은 다음과 같은 모델을 설정한다. 1. **시스템 모델** - M개의 센서가 각각 관측 \(x_k\)를 얻고, 이를 기반으로 이진 결정 \(u_k\in\{0,1\}\)를 만든다. - 관측은 H0에서는 \(\mathcal N(0,\sigma_0^2 I)\) (독립)이며, H1에서는 \(\mathcal N(0,\Sigma)\) (비대각 공분산)이다. - 센서는 자신이 관측 상관성을 모른 채 \(p_{d,k}=P(u_k=1|H_1)\)와 \(p_{f,k}=P(u_k=1|H_0)\)만을 이용해 결정을 내린다. - 결정은 페이딩 채널을 통해 전송되며, 채널 위상은 사전에 보정되어 ‘coherent reception’이 가능하도록 가정한다. 2. **채널 모델** - **Parallel‑Access Channel (PAC)**: 각 센서는 독립적인 직교 채널을 사용하고, FC는 각 채널 출력의 실수부를 합산한다. - **Multiple‑Access Channel (MAC)**: 모든 센서가 동시에 전송하고, FC는 합성된 신호의 실수부를 수신한다. - 두 모델 모두 복소수 페이딩 계수 \(h_k=|h_k|e^{j\phi_k}\)와 잡음 \(n_k\sim\mathcal{CN}(0,\sigma_n^2)\)를 포함한다. 3. **성능 지표: Modified Deflection Coefficient (MDC)** - 검정 통계량 \(T\)의 평균 차이 제곱을 분산으로 나눈 값으로 정의한다. - MDC는 검정 확률을 직접 계산하지 않아도 되며, 1차·2차 통계만으로 닫힌 형태를 얻을 수 있다. - 저자들은 PAC와 MAC 각각에 대해 \(E