[发明专利]基于牛顿迭代二值采样信号的参数鲁棒估计方法

说明书

本发明公开了基于牛顿迭代二值采样信号的参数鲁棒估计方法，包括以下步骤：S10，建立信号模型；S20，计算最大似然估计的目标函数；S30，初始化；S40，计算目标函数的梯度值；S50，计算目标函数的Hessian矩阵；S60，通过线性搜索计算搜索步长α_k；S70，通过牛顿法更新待估计参数v_k+1；S80，判断梯度值精度；S90，计算估计值w_ML。本发明有较快的收敛性，同时针对EIV模型中的乘性噪声和比特值随机反相问题有较好的鲁棒性；相比于现有的无线传感器网络低比特参数估计方法，其在复杂噪声环境下以及非理想信道中具有更好的抗干扰能力。

技术领域

本发明属于无线传感器网络领域，涉及一种基于牛顿迭代二值采样信号的参数鲁棒估计方法。

背景技术

目前，国内外学者也已经开展了大量基于无线传感器网络的低比特参数估计问题的研究。值得注意的是，在实际应用中，某些节点可能处于较为恶劣的环境，其信道容易受到干扰；另外，低比特(单比特)数据本身在传输过程中也很容易受到干扰，这些干扰将导致比特值随机反相。由于这些低比特数据不包含校验位，因此接收端无法判断数据的真实性。直接利用这些数据进行分析会导致现有参数估计方法出现严重偏差。另一方面，信号参数估计问题也常常受到乘性噪声的影响，典型的例子如雷达图像中的散斑噪声、信号传输中的多径干扰等。不同于加性噪声，乘性噪声难以从信号中单独分离出噪声成分，会对估计结果造成很大影响。

发明内容

为解决上述问题，本发明利用非理想信道情况下接收到的1比特采样信号的变量含误差(EIV，erros-in-varaiables)模型参数估计问题，提出了一种基于牛顿迭代的鲁棒估计方法。该方法首先将问题转化为基于比特扰动概率的最大似然优化问题，然后利用牛顿迭代方法获得问题的最优解。技术方案包括以下步骤：

包括以下步骤：

S10，建立信号模型；

S20，计算最大似然估计的目标函数；

S30，初始化；

S40，计算目标函数的梯度值；

S50，计算目标函数的Hessian矩阵；

S60，通过线性搜索计算搜索步长α_k；

S70，通过牛顿法更新待估计参数v_k+1，更新的最终估计值为v_ML；

S80，判断梯度值精度；

S90，计算估计值w_ML；

其中，S60计算搜索步长α_k后，再判断是否满足线性搜索条件，满足则执行S61，令α_k＝δ₂α_k，δ₂为预设的参数，0＜δ₂＜1，并重新执行S60；否，则执行S70；

S80中梯度值精度若满足预设条件，则执行S90；若不满足预设条件，则返回执行S40。

优选地，所述S10，建立信号模型，包括收集每个传感器节点的采样信号，每个传感器节点感知网络环境周围1比特信息y_i，i＝1,2,...,N，二值EIV信号模型表示为：

其中，是待估计的未知参数矢量；为已知的感测矢量；是等效噪声，包含乘性噪声e_i和加性噪声n_i，乘性噪声e_i和加性噪声n_i相互独立且满足零均值的高斯分布，故其中σ_e为乘性噪声的标准差，σ_n为加性噪声的标准差；