[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

摘要

本发明公开了一种基于信息论学习的删失数据参数自适应估计方法。本发明包括以下几个步骤步骤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。本发明1)实现缺失信号所包含参数的自适应估计;2)实现传感器网络各个节点的协同估计；3）能够有效降低网络节点受到攻击而出现信号异常值对估计性能影响;4)在高斯或非高斯噪声环境下都具有较好的估计精度。

主权项

基于信息论学习的删失数据参数自适应估计方法，其特征在于包括以下几个步骤：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(yk,i,uk,i)，且满足其中w0是需要估计的参数矢量，而nk,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εk,i＝[ek,i‑N,ek,i‑N+1,...,ek,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wk,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，wk,i为第k个节点在第i时刻w0的估计值。