分布式协同估计方法研究.pdf

《分布式协同估计方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分布式协同估计方法研究王硕2015年1月中图分类号：TN911.72UDC分类号：654分布式协同估计方法研究作者姓名王硕学院名称信息与电子学院指导教师胡进副教授答辩委员会主席王祖林教授申请学位工学硕士学科专业信息与通信工程学位授予单位北京理工大学论文答辩日期2015年1月22日ResearchonDistributedCollaborativeEstimationCandidateName:WangShuoSchoolorDepartment:InformationandElectronicsFacultyMentor:HuJinChair,ThesisCommittee:Pro

2、f.WangZu-linDegreeApplied:MasterofEngineeringMajor:Information&CommunicationEngineeringDegreeby:BeijingInstituteofTechnologyTheDateofDefence：Jan.22th,2015研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此

3、研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：摘要本文研究基于分布式网络的分布式协同估计问题。分布式网络是在一片环境中分散采集数据的代理集合，分布式信号处理能够从代理采集到的数据中提取有用信息。分布式协同估计是分布式信号处理的一个分支，即分布式网络中多个代理通过与相邻代理的信息交互完成对共同目标参数的协同估计。分布式协同估计的目标主要是未知参数，选择自适应算法作为分布式算法，利用分布式策略进行参数协同估计。首先介绍两种基本自适应估计算法，即最小均方（LMS）算法和递归最小二乘（RLS）算法，针对单代理模型给出相应的算法实现，通过仿真实验对两

4、种算法进行比较分析。在单代理自适应估计的基础上，研究分布式协同估计算法，详细描述分布式网络中的增量式策略和扩散式策略，分析不同策略的信息传输过程，建立分布式网络参数模型，给出分布式LMS算法和分布式RLS算法，对算法估计性能进行仿真比较。仿真结果表明，分布式协同估计算法比非协作代理估计算法具有更好的估计效果，并且相比分布式LMS算法，分布式RLS算法在保证较快收敛速度的同时，具有较好的估计精度。在实际环境中，分布式网络中各代理所采集的数据不可避免包含噪声，改进传统的分布式网络模型，推导出分布式RLS算法的估计结果存在偏差，基于偏差补偿原则，需要得到偏差的估计值才能实现无偏估计，因此

5、研究分布式协同估计偏差补偿算法。为了实现偏差补偿，本文提出一种噪声方差实时估计方法，根据不同的分布式协作策略，得到分布式偏差补偿递归最小二乘（BCRLS）算法。仿真结果表明相比分布式RLS算法，分布式BCRLS算法能够对目标参数实现无偏估计，并且信噪比越高，偏差补偿的效果越好。考虑信噪比对分布式偏差补偿算法的影响，为了更好的实现无偏估计，根据信噪比大小改进扩散式BCRLS算法中的合并策略，能够得到扩散式BCRLS-M算法。仿真结果表明根据信噪比改进的扩散式BCRLS-M算法，相比扩散式BCRLS算法具有更低的均方误差（MSE）。关键词：协同估计；分布式策略；自适应算法；偏差补偿；噪

6、声估计IAbstractWestudytheproblemofdistributedcollaborativeestimationoverdistributednetworks.Distributednetworksareacollectionofagentswhicharedistributedoverageographicareaandcollectdatafromtheirenvironments,anddistributedsignalprocessingcandealwithextractionofusefulinformationfromdatacollectedata

7、gents.Distributedcollaborativeestimationisoneofbranchesofdistributedsignalprocessing,i.e.theagentsindistributednetworkhaveacommonobjectivetoestimateparametervector.Thetargetparametersofdistributedcollaborativeestimationisalwaysunknow,we