论文部分内容阅读
参数估计是信号处理领域中的关键问题,通过来自其他的观测量,间接确定未知参数。无线传感器网络中分布式估计已经成为非常流行的参数估计,目的是使节点能够从观测数据中以分布式方式估计出感兴趣的参数向量。自适应网络中的分布式估计策略可以主要分为增量策略,一致性策略和扩散策略。在增量策略中,数据通过网络以循环方式处理。一致性策略依赖于多个相邻节点的中间估计的融合。在扩散策略中,数据在所有节点进行处理,而节点与所有邻居节点通过以分享其中间估计进行通信。因为扩散策略具有好的鲁棒性、灵活性和完全分布式等特点,使其特别有吸引力,例如扩散最小均方(DLMS)算法。在本文中,我们关注扩散估计策略。当信号被非高斯噪声干扰时,分布式估计的性能会严重降低。非高斯噪声可能是自然原因造成的,例如大气现象;也可能是人为因素造成的,例如操作环境中存在的电机或多路电信信号。最近,一些研究人员致力于提高在非高斯噪声环境中分布式估计算法的鲁棒性。这些努力主要是为了寻找更强大的代价函数来替代均方误差(MSE)准则,该准则只有在测量噪声为高斯噪声时才是最优。基于最小误差熵(MEE)方法的误差熵准则也显示出其能够在非高斯噪声下实现比均方误差(MSE)准则更精确的估计。本文首先为了解决DLMS算法针对非高斯噪声环境的鲁棒性估计问题,结合最小误差熵准则与自动调整步长(MEE-SAS)提出了基于最小误差熵准则的自动调整步长扩散(DMEE-SAS)分布式估计算法,此算法大大提高了在非高斯噪声环境下的鲁棒性,且算法估计性能损失较小,更好的达到了通信负载与估计性能的均衡。然后我们设计了在一个非稳定的环境下,通过使用DMEE-SAS算法和扩散最小误差熵(DMEE)算法之间的切换方案,提出了改进的基于最小误差熵准则的自动调整步长扩散(Improving DMEE-SAS)分布式估计算法,该算法可以非常有效地跟踪估计量的变化。改进的DMEE-SAS算法可以避免DMEE-SAS算法在接近最优估计时有效步长太小,以便获得更快的收敛速度。这个研究对于分布式估计算法的鲁棒性有着重要作用。最后首次将无线传感器网络进行分区域,结合扩散策略进行参数估计,提出了基于分区域的扩散最小均方(SR-DLMS)估计算法。提出的算法能更好的减少通信代价而不影响估计性能,对高斯噪声环境有着较好的鲁棒性。这个探索对于分布式参数估计问题中平衡算法鲁棒性和通信量相关研究有着一定的实际意义。