摘要
在物联网（IoT）网格传感器网络中，实时事件检测需要在灵敏度与对受限网格无线电造成的误报负担之间找到平衡。我们通过蒙特卡洛实验比较了时间频谱噪声底限适应（TSNFA）检测器与传统的检测方法，这些传统方法包括雷达恒定虚警率（CFAR）系列、Lipski FFT能量检测器、单元平均CFAR（CA-CFAR）、有序统计CFAR（OS-CFAR）和状态机累积和（CUSUM），以及另外四个成员（GO、SO、TM、VI），并在另一种配置下进行了测试。所有检测器都适用于Cortex-M0+类芯片，处理100 Hz频率的1维时间序列数据（每帧128个样本），并使用时间参考窗口代替空间参考单元。仿真涵盖了9个信噪比（SNR）水平（1.5至24 dB），在10个节点上进行测试，并在50个节点上进行了比例验证。每种测试配置重复了5次，持续24小时。通过算法评估选出的最佳TSNFA配置结合了平均触发统计量、门控中值噪声底限和三帧确认规则。在该配置下，TSNFA在信噪比为12 dB及以上时能够检测到100%的事件，在5 dB时检测到99.5%的事件，在3 dB时检测到80.3%的事件，具有99.6–100%的事件精确度，且每节点每小时产生的误报簇数量为0.0017个，但检测延迟增加了2.6秒。CA-CFAR和OS-CFAR可以检测到所有事件，但每小时分别产生42.6个和36.8个误报簇；Lipski检测器在41–45%的精确度下每小时产生1.24个误报簇，但在6 dB以下无法检测到任何事件；CUSUM在整个信噪比范围内仅能检测到16–72%的事件。TSNFA是唯一一款在Cortex-M0+芯片架构内同时实现高检测率、高精确度和低误报率的检测器。
