[发明专利]基于信息论学习的删失数据参数自适应估计方法

说明书

技术领域

本发明属于统计信号处理技术领域,特别是涉及一种基于信息论学习的删失数据参数自适应估计方法。

背景技术

传感器网络是由大量传感器节点构成的分布式网络系统，它能够协同地实时监测、感知和采集网络覆盖区域中各种环境或监测对象的物理信息，并对其进行处理和传输。信号参数估计是传感器网络的一个重要应用，它通过各种算法从被噪声污染的多个传感器对未知物理量(如温度、目标方位、运动速度等)的测量值中获得对该物理量的估计。分布式估计方法无需中央处理单元，有着高的可靠性和鲁棒性；它通过各节点的信息处理与融合，减小网络的数据传输和处理，并有效地节省了带宽和资源，在工程领域具有重要的应用价值。

然而,在某些情况下,传感器节点的测量信号出现缺失,或为了降低信号处理、传输、存储量等，放弃部分测量数据，我们称这种信号为删失信号(或数据)。例如由K个节点构成的传感器网络，每个节点在i时刻对应信号的原始模型为

但每个节点只能获得如下的删失信号：

其中w₀是需要估计的参数矢量，而n_k,i为测量噪声。

现有大多数参数估计方法一般通过均方误差(mean square error，MSE)的最小化来实现参数估计的，但该方法只有在高斯噪声环境下，估计结果才是最优的，这种情况等价要求测量信号y_k,i的概率密度是高斯型的。然而，在许多情况下，测量噪声n_k,i不一定满足高斯分布。另外，针对(2)的删失信号y_k,i，即便噪声n_k,i满足高斯分布，删失信号y_k,i的概率密度f(y_k,i)也不是高斯型的，它具有如下表达式

f(y)＝(q(y))^d(P_r(y＜0))^1-d(3)

其中q(y)是原始信号概率密度，P_r(y＜0)表示y＜0的概率，且

发明内容

本发明的目的是针对现有技术的步骤，提供一种基于信息论学习的删失数据参数自适应估计方法。

本发明解决其技术问题所采用的技术方案具体包括如下步骤：

步骤1、设计删失信号的估计误差函数；

步骤2、计算估计误差的二次Renyi熵；

步骤3、采用梯度下降的方法获得各节点参数的局部估计；

步骤4、根据每个节点及其邻居节点的局部估计，设计加权系数；

步骤5、节点与其邻居节点交换各自的局部估计，并利用步骤4得到的加权系数，计算该节点和其邻居节点加权估计。

步骤1所述的删失信号的估计误差函数定义如下：

传感器网络包含K个节点，每个节点能够采集到的信号为(y_k,i,u_k,i)，且满足

其中w₀是需要估计的参数矢量，而n_k,i为测量噪声。定义在i时刻的估计误差为

其中

步骤2所述的误差的二次Renyi熵估值计如下：

其中ε_k,i＝[e_k,i-N,e_k,i-N+1,...,e_k,i]，而是二次信息势定义为：

且为高斯核函数，N为采样时间窗的长度。

步骤3所述的采用梯度下降的方法获得各节点参数的局部估计具体如下：

根据i时刻的二次信息势和估计w_k,i获得i+1时刻节点k的局部估计矢量如下：

其中μ为步长，w_k,i为第k个节点在第i时刻w₀的估计值；

步骤4所述的根据每个节点及其邻居节点的局部估计，节点k的加权系数a_k,i+1设计如下：

其中N_k是一个集合，包含节点k以及其所有的邻居节点，且

表示第l个节点第i+1时刻的中间估计值；l＝1,2,...,K。

步骤5所述的该节点和其邻居节点加权估计计算如下：

节点k的加权估计为：

本发明有益效果：