论文部分内容阅读
分布式估计是节点利用本地含噪观测数据,通过与相邻节点的信息交换协作完成对目标参数的估计。分布式估计具有可靠性高、鲁棒性强等特点,在军事、环境、医疗、城市交通等领域,分布式估计发挥越来越重要的作用。分布式估计常用于无线传感网络,节点使用电池供电,并通过无线通信的方式交换信息。分布式估计的核心在于分布式算法,基于扩散策略的最小均方算法(Diffusion Least Mean Square,DLMS)是一种经典的分布式估计方法,具有鲁棒性强、估计的准确性高等优点。但是,节点间频繁的数据交换使DLMS算法的通信开销较大,而传感器节点的数据处理能力和电池能量有限。因此,研究扩散策略中节点如何降低通信开销,实现通信开销与估计性能间的折中很有必要。首先,针对DLMS算法采取多跳通信的方式虽有益于提高估计性能,但同时会大大增加网络通信开销的问题,论文提出了基于多跳的低通信量最小均方(Multi-hop Low Communication LMS,MLCLMS)算法。在所提出的算法中,定义了均方偏差(Mean Square Deviation,MSD)优化准则,节点利用MSD优化准则判断是否与邻居节点交换中间估计信息,同时设置部分节点为中继节点,中继节点只转发最优邻居节点的中间估计信息到其余节点,保证了估计性能。仿真结果表明,相较于DLMS算法节点在连续时刻均交换中间估计信息的方式,MLCLMS算法有效地减少了节点的发送量,从而可以降低节点的通信开销。其次,针对现有的降维发送方法会影响DLMS算法估计性能的问题,论文设计了一种基于相似度判断的选择发送最小均方(Selective Sending Least Mean Square,SSLMS)算法。在所提出的算法中,通过比较相邻时刻节点生成的本地估计信息的相似度,选择具有较多信息量的部分待估参数广播到邻居节点,并接收邻居节点的部分待估参数,利用本地估计信息补偿邻居节点未交换的待估参数。仿真结果表明,SSLMS算法有效地减少了网络的通信开销,同时达到了良好的估计性能,实现了节点降维发送时的通信开销与估计性能折中的目的。论文提出的两种基于扩散策略的最小均方分布式估计算法,可以有效地减少节点的通信开销,降低传感器的能耗,在基于资源受限网络的分布式参数估计领域有较好的应用前景。