CN111194048B - 一种基于em的1比特参数估计方法 - Google Patents

一种基于em的1比特参数估计方法 Download PDF

Info

Publication number
CN111194048B
CN111194048B CN201910585781.8A CN201910585781A CN111194048B CN 111194048 B CN111194048 B CN 111194048B CN 201910585781 A CN201910585781 A CN 201910585781A CN 111194048 B CN111194048 B CN 111194048B
Authority
CN
China
Prior art keywords
parameter
parameter estimation
bit
value
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910585781.8A
Other languages
English (en)
Other versions
CN111194048A (zh
Inventor
佘昕宸
刘兆霆
姚英彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910585781.8A priority Critical patent/CN111194048B/zh
Publication of CN111194048A publication Critical patent/CN111194048A/zh
Application granted granted Critical
Publication of CN111194048B publication Critical patent/CN111194048B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明为一种基于EM的1比特参数估计方法，包括以下步骤：获取每个传感器节点的1比特量化观测值；利用EM算法获得参数估计值
Figure DDA0002114376390000011
的等价函数；获得参数估计值
Figure DDA0002114376390000012
的方程并求根；将上述根分别带入到等价函数中，使等价函数最小的根即为参数估计值
Figure DDA0002114376390000013
重复步骤S1‑S4更新参数估计值
Figure DDA0002114376390000014
直至收敛。本发明的优点是：以1比特量化数据代替模拟数据或者大比特数据，降低了网络成本和通信负载；考虑到乘性噪声的影响，估算结果更为准确；采用EM算法，解决了传统估算方法在没有模拟数据时无法计算参数估计值的问题。

Description

一种基于EM的1比特参数估计方法
技术领域
本发明涉及传感器网络领域，特别是涉及一种基于EM的1比特参数估计方法。
背景技术
基于量化观测的确定性参数估计问题可以应用于目标跟踪、目标定位、环境监测以及无线传感器网络中的雷达应用。在传统的基于传感器网络的参数估计中，各个传感器将模拟观测值发送给融合中心，融合中心再根据一定的算法获得未知参数的估计。但是，由于每个传感器节点的计算、通信和存储能力有限，直接传输模拟信号(或大比特数据)将大大增加网络成本和通信负载，因此，如何尽可能的减少网络成本和通信负载，同时保证较好的估计性能，成为了近年来基于传感器网络参数估计的研究热点，并提出了许多相应的算法。
针对无线传感器网络中观测噪声服从污染分布的情况，文献《基于无线传感器网络的鲁棒分布式估计》提出了两种新的鲁棒分布式估计方案，即QME和TME。然而，这些算法通常只考虑了加性噪声，没有考虑乘性噪声存在的情况。事实上，乘性噪声在实际应用中是经常出现的(如多径信道)。
发明内容
本发明主要解决了现有传感器网络中网络成本和通信负载高及未考虑到乘性噪声的问题，提供了一种降低传感器网络成本和通信负载，考虑乘性噪声且不影响估计精度的基于EM的1比特参数估计方法。
本发明解决其技术问题所采用的技术方案是,一种基于EM的1 比特参数估计方法，包括以下步骤：
S1：获取每个传感器节点的1比特量化观测值；
S2：利用EM算法获得参数估计值
Figure BDA0002114376370000021
的等价函数；
S3：获得参数估计值
Figure BDA0002114376370000022
的方程并求根；
S4：将上述根分别带入到等价函数中，使等价函数最小的根即为参数估计值
Figure BDA0002114376370000023
S5：重复步骤S1-S4更新参数估计值
Figure BDA0002114376370000024
直至收敛。
本发明将传感器网络中传输的模拟信号量化为1比特信息，降低了网络的通信负载、成本和复杂度。EM算法解决了在无法获得模拟数据的情况下获得参数估计值的问题。
作为上述方案的一种优选方案，所述步骤S1中1比特量化观测值
yn＝sign(xn-τ),n＝1,2,3,L,N
其中，xn为第n个传感器节点的接收信号。
作为上述方案的一种优选方案，所述步骤S2中获得参数估计值
Figure BDA0002114376370000028
的等价函数包括以下步骤：
S21：结合E步公式根据当前参数估计值
Figure BDA0002114376370000025
和量化数据
Figure BDA0002114376370000026
计算对数似然函数
Figure BDA0002114376370000027
的期望值，E步公式为
Figure BDA0002114376370000031
其中Ex{·}表示对x求期望，
Figure BDA0002114376370000032
为在i-1次迭代后得到的参数估计值，
Figure BDA0002114376370000033
S22：最大化E步中关于待估计参数θ的期望函数，获得更新参数估计值
Figure BDA0002114376370000034
作为上述方案的一种优选方案，由1比特量化观测值表达式可知
p(yn|θ,xn)＝p(yn|xn)
因此
p(yn,xn|θ)＝p(yn|θ,xn)p(xn|θ)＝p(yn|xn)p(xn|θ)
因p(yn|xn)是待估计参数θ的无关项，可得参数估计值
Figure BDA0002114376370000035
的等价函数
Figure BDA0002114376370000036
作为上述方案的一种优选方案，所述步骤S3，包括以下步骤：
S31：第n个传感器节点的接收信号的xn表达式为
xn＝hnθ+vn,n＝1,2,3,L,N
其中θ为待估计的未知参数，vn为零均值，独立同分布的高斯加性白噪声，且其均方差为σv 2，hn为平坦衰落信道系数；
S32：将信道系数hn模拟为一个均值为1，独立同分布的高斯随机变量，独立于vn且均方差为σe 2，xn公式改写为
xn＝(1+en)θ+vn
其中为en高斯分布乘性噪声，且均值为零、方差为σe 2，令 zn＝enθ+vn，对xn公式进行简化
xn＝θ+zn
zn为等效噪声，它是加性噪声和乘性噪声的总和；
S33：将xn＝θ+zn带入到参数估计值
Figure BDA0002114376370000041
的等价函数中，对获得的函数进行求导并令其为零，得到参数估计值
Figure BDA0002114376370000042
的方程
Figure BDA0002114376370000043
其中
Figure BDA0002114376370000044
S34：计算
Figure BDA0002114376370000045
和
Figure BDA0002114376370000046
的值并代入到参数估计值
Figure BDA0002114376370000047
的方程中，求方程的根λ1、λ2和λ3。
作为上述方案的一种优选方案，所述步骤S4中参数估计值
Figure BDA0002114376370000048
其中
Figure BDA0002114376370000049
本发明的优点是：以1比特量化数据代替模拟数据或者大比特数据，降低了网络成本和通信负载；考虑到乘性噪声的影响，估算结果更为准确；采用EM算法，解决了传统估算方法在没有模拟数据时无法计算参数估计值的问题。
附图说明
图1为实施例1中传感器网络模型的一种结构示意图。
图2为本发明基于EM的1比特参数估计方法的一种流程示意图。
图3为本发明中参数估计值
Figure BDA0002114376370000051
的一种流程示意图。
图4为本发明中获得参数估计值
Figure BDA0002114376370000052
方程并求根的一种流程示意图。
图5为实施例2中的实验结果图。
图6为实施例3中的实验结果图。
图7为实施例4中的实验结果图。
1-传感器节点 2-量化器 3-融合中心。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
实施例1：
本实施例采用如图1所示传感器网络模型进行参数估计，该传感器网络模块包括N个独立的传感器节点1，N个与传感器对应的量化器2及融合中心3，每个传感器独立地接收信号，并将接收到的信号发送到量化器进行量化处理，获得1比特采样信号，然后将1比特采样信号发送到融合中心，融合中心采用基于EM的1比特参数估计方法实现参数估计。
上述基于EM的1比特参数估计方法，如图2所示，包括以下步骤：
S1：获取每个传感器节点的1比特量化观测值，
yn＝sign(xn-τ),n＝1,2,3,L,N
其中，xn为第n个传感器节点的接收信号；
S2：利用EM算法获得参数估计值
Figure BDA0002114376370000061
的等价函数，由于融合中心只能获得每个传感器发送的量化数据，无法得到模拟数据，所以传统的最大似然估计(MLE，MaximumLikelihood Estimate)算法难以实现。为了解决这个问题，本实施例中采用期望最大化(EM，Expectation Maximization)算法进行参数估计，如图3所示，包括以下步骤：
S21：建立E步(expectation)求期望值公式
Figure BDA0002114376370000062
其中Ex{·}表示对x求期望，
Figure BDA0002114376370000063
为在i-1次迭代后得到的参数估计值，
Figure BDA0002114376370000064
结合公式，当前参数估计值
Figure BDA0002114376370000065
和量化数据
Figure BDA0002114376370000066
计算对数似然函数
Figure BDA0002114376370000067
的期望值；
S22：建立M步(maximization)求极大值公式
Figure BDA0002114376370000068
由步骤S1中1比特量化观测值表达式可知，yn不与θ直接相关，而与xn直接相关，即有
p(yn|θ,xn)＝p(yn|xn)
因此
p(yn,xn|θ)＝p(yn|θ,xn)p(xn|θ)＝p(yn|xn)p(xn|θ)
因p(yn|xn)是待估计参数θ的无关项，根据M步公式可获得
Figure BDA0002114376370000069
的表达式
Figure BDA0002114376370000071
S3：获得参数估计值
Figure BDA0002114376370000072
的方程并求根，如图4所示，包括以下步骤：
S31：第n个传感器节点的接收信号的xn表达式为
xn＝hnθ+vn,n＝1,2,3,L,N
其中θ为待估计的未知参数，vn为零均值，独立同分布的高斯加性白噪声，且其均方差为σv 2，hn为平坦衰落信道系数；
S32：将信道系数hn模拟为一个均值为1，独立同分布的高斯随机变量，独立于vn且均方差为σe 2，xn公式改写为
xn＝(1+en)θ+vn
其中为en高斯分布乘性噪声，且均值为零、方差为σe 2，令 zn＝enθ+vn，对xn公式进行简化
xn＝θ+zn
zn为等效噪声，它是加性噪声和乘性噪声的总和，由于加性噪声 vn独立于en，因此zn为零均值、方差为σz 2的高斯噪声，其中σz 2＝σe 2θ2+σv 2。
S33：将xn＝θ+zn带入到参数估计值
Figure BDA0002114376370000073
的等价函数中，对获得的函数进行求导并令其为零，得到参数估计值
Figure BDA0002114376370000074
的方程
Figure BDA0002114376370000081
其中
Figure BDA0002114376370000082
S34：计算
Figure BDA0002114376370000083
和
Figure BDA0002114376370000084
的值，因等效噪声zn为零均值、方差为σz 2的高斯噪声，所以zn/σz服从标准正态分布，且由1比特量化观测值表达式
yn＝sign(xn-τ),n＝1,2,3,L,N
可知，当yn＝-1时，xn≤τ，等价于zn/σz≤(τ-θ)/σz，结合如下引理：
给定一个具有标准正态分布的随机变量v和一个常数a，v和v2的条件期望满足：
Figure BDA0002114376370000085
其中
Figure BDA0002114376370000086
且
Figure BDA0002114376370000087
和
Figure BDA0002114376370000088
分别表示标准正态分布的概率密度函数和累积分布函数。
可得
Figure BDA0002114376370000089
类似的，当yn＝1时，xn≥τ，等价于zn/σz≥(τ-θ)/σz，结合上述引理可得
Figure BDA00021143763700000810
可以将yn＝1和yn＝-1时计算得到的
Figure BDA00021143763700000811
统一表示为：
Figure BDA00021143763700000812
同理，
Figure BDA00021143763700000813
可以表示为
Figure BDA0002114376370000091
因此可得
Figure BDA0002114376370000092
Figure BDA0002114376370000093
其中
Figure BDA0002114376370000094
将
Figure BDA0002114376370000095
和
Figure BDA0002114376370000096
代入到参数估计值
Figure BDA0002114376370000097
的方程中，求方程的根λ1、λ2和λ3。
S4：将上述根分别带入到等价函数中，使等价函数最小的根即为参数估计值
Figure BDA0002114376370000098
Figure BDA0002114376370000099
其中
Figure BDA00021143763700000910
S5：重复步骤S1-S4更新参数估计值
Figure BDA00021143763700000911
直至收敛。
实施例2：
本实施例通过matlab仿真来验证EM算法的性能，并与现有文献《ParameterEstimation from Quantized Observations in Multiplicative Noise Environments》记载的基于1比特量化观测值的MLF算法以及Cramér-Rao下界比较，比较结果如图5所示，图5中仿真结果是通过1500次独立试验评均得到，每次实验通过10次循环迭代得到估计值
Figure BDA00021143763700000912
在上述仿真中设置未知参数的真实值θ0＝1，阈值τ＝1.7，图5-7中的（a）和（b）对应的仿真实验中，乘性噪声方差σe 2＝0.5不变，加性噪声方差σv 2分别为0.5和1，图5-7中的（c）和（d）保持加性噪声方差σv 2＝0.5不变，乘性噪声方差σe 2分别为0.3和0.8。显然，随着传感器数量N的增加，基于1比特量化观测值的EM算法产生的均方差越小，估计性能越好，且快速接近其相应的Cramér-Rao下界(也就是无偏估计器的最小均方差)。因此，在观测数据很大的情况下，基于1比特量化观测值的EM算法估计未知参数θ是可靠的，能很好解决乘性噪声环境下的参数估计问题。
实施例3：
与实施例2相比，本实施例将本发明方法与现有文献《Bandwidth-constrainedDistributed Estimation for Wireless Sensor Networks-part II:UnknownProbability density function》记载的MLE算法进行比较，比较结果如图6所示，设置未知参数的真实值θ0＝1，阈值τ＝0.3，乘性噪声方差σe 2＝0.5，分别设值加性噪声方差为0.5、1、1.5和2，由图可知，EM算法的估计性能略优于上述文献的MLE算法。MLE算法对门限(阈值)较为敏感，而EM算法在门限偏离最优阈值时，估计性能也较为稳定。
实施例4：
与实施例3相比，本实施例设置未知参数的真实值θ0＝1，阈值τ＝0.3，加性噪声方差σv 2＝0.5，分别设值乘性噪声方差为0.5、1、 1.5和2，如图7所示，MLE算法对阈值较为敏感，而EM算法估计性能比较稳定，略优于MLE算法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于EM的1比特参数估计方法，其特征是：包括以下步骤：
S1：获取每个传感器节点的1比特量化观测值；
S2：利用EM算法获得参数估计值
Figure FDA0003786314210000011
的等价函数；
S3：获得参数估计值
Figure FDA0003786314210000012
的方程并求根；
S4：将上述根分别带入到等价函数中，使等价函数最小的根即为参数估计值
Figure FDA0003786314210000013
S5：重复步骤S1-S4更新参数估计值
Figure FDA0003786314210000014
直至收敛；
所述步骤S2中获得参数估计值
Figure FDA0003786314210000015
的等价函数包括以下步骤：
S21：结合E步公式根据当前参数估计值
Figure FDA0003786314210000016
和量化数据
Figure FDA0003786314210000017
计算对数似然函数
Figure FDA0003786314210000018
的期望值，E步公式为
Figure FDA0003786314210000019
其中Ex{·}表示对x求期望，
Figure FDA00037863142100000110
为在i-1次迭代后得到的参数估计值，
Figure FDA00037863142100000111
S22：最大化E步中关于待估计参数θ的期望函数，获得更新参数估计值
Figure FDA00037863142100000112
由1比特量化观测值表达式可知
p(yn|θ，xn)＝p(yn|xn)
因此
p(yn，xn|θ)＝p(yn|θ，xn)p(xn|θ)＝p(yn|xn)p(xn|θ)
因p(yn|xn)是待估计参数θ的无关项，可得参数估计值
Figure FDA0003786314210000022
的等价函数
Figure FDA0003786314210000021
2.根据权利要求1所述的一种基于EM的1比特参数估计方法，其特征是：所述步骤S1中1比特量化观测值
yn＝sign(xn-τ)，n＝1，2，3，L，N
其中，xn为第n个传感器节点的接收信号。
3.根据权利要求1所述的一种基于EM的1比特参数估计方法，其特征是：所述步骤S3，包括以下步骤：
S31：第n个传感器节点的接收信号的xn表达式为
xn＝hnθ+vn，n＝1，2，3，L，N
其中θ为待估计的未知参数，vn为零均值，独立同分布的高斯加性白噪声，且其均方差为σv 2，hn为平坦衰落信道系数；
S32：将信道系数hn模拟为一个均值为1，独立同分布的高斯随机变量，独立于vn且均方差为σe 2，xn公式改写为
xn＝(1+en)θ+vn
其中为en高斯分布乘性噪声，且均值为零、方差为σe 2，令zn＝enθ+vn，对xn公式进行简化
xn＝θ+zn
zn为等效噪声，它是加性噪声和乘性噪声的总和；
S33：将xn＝θ+zn带入到参数估计值
Figure FDA0003786314210000031
的等价函数中，对获得的函数进行求导并令其为零，得到参数估计值
Figure FDA0003786314210000032
的方程
Figure FDA0003786314210000033
其中
Figure FDA0003786314210000034
S34：计算
Figure FDA0003786314210000035
和
Figure FDA0003786314210000036
的值并代入到参数估计值
Figure FDA0003786314210000037
的方程中，求方程的根λ1、λ2和λ3。
4.根据权利要求1所述的一种基于EM的1比特参数估计方法，其特征是：所述步骤S4中参数估计值
Figure FDA0003786314210000038
其中
Figure FDA0003786314210000039
CN201910585781.8A 2019-07-01 2019-07-01 一种基于em的1比特参数估计方法 Expired - Fee Related CN111194048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910585781.8A CN111194048B (zh) 2019-07-01 2019-07-01 一种基于em的1比特参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585781.8A CN111194048B (zh) 2019-07-01 2019-07-01 一种基于em的1比特参数估计方法

Publications (2)

Publication Number Publication Date
CN111194048A CN111194048A (zh) 2020-05-22
CN111194048B true CN111194048B (zh) 2022-12-06

Family

ID=70708998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585781.8A Expired - Fee Related CN111194048B (zh) 2019-07-01 2019-07-01 一种基于em的1比特参数估计方法

Country Status (1)

Country Link
CN (1) CN111194048B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113055815B (zh) * 2021-03-10 2021-12-07 电子科技大学 基于最大似然估计的多传感器1比特直接定位方法
CN113194049B (zh) * 2021-04-14 2022-06-07 杭州电子科技大学 基于牛顿迭代二值采样信号的参数鲁棒估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101138189A (zh) * 2005-02-10 2008-03-05 Nxp股份有限公司 信号质量估计的方法和装置
CN102638846A (zh) * 2012-03-28 2012-08-15 浙江大学 一种基于最优量化策略的wsn通信负载降低方法
CN102752784A (zh) * 2012-06-19 2012-10-24 电子科技大学 无线传感器网络中基于图论的分布式事件域的检测方法
CN108959808A (zh) * 2018-07-23 2018-12-07 哈尔滨理工大学 一种基于传感器网络的优化分布式状态估计方法
CN109039720A (zh) * 2018-07-19 2018-12-18 杭州电子科技大学 一种针对二值传感器网络的参数估计方法
CN109347579A (zh) * 2018-10-08 2019-02-15 清华大学 一种在无线信道衰落不确定条件下的弱信号检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015196016A1 (en) * 2014-06-19 2015-12-23 Convida Wireless, Llc Context-aware content publication and resolution
FR3049084B1 (fr) * 2016-03-15 2022-11-11 Fraunhofer Ges Forschung Dispositif de codage pour le traitement d'un signal d'entree et dispositif de decodage pour le traitement d'un signal code

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101138189A (zh) * 2005-02-10 2008-03-05 Nxp股份有限公司 信号质量估计的方法和装置
CN102638846A (zh) * 2012-03-28 2012-08-15 浙江大学 一种基于最优量化策略的wsn通信负载降低方法
CN102752784A (zh) * 2012-06-19 2012-10-24 电子科技大学 无线传感器网络中基于图论的分布式事件域的检测方法
CN109039720A (zh) * 2018-07-19 2018-12-18 杭州电子科技大学 一种针对二值传感器网络的参数估计方法
CN108959808A (zh) * 2018-07-23 2018-12-07 哈尔滨理工大学 一种基于传感器网络的优化分布式状态估计方法
CN109347579A (zh) * 2018-10-08 2019-02-15 清华大学 一种在无线信道衰落不确定条件下的弱信号检测方法

Also Published As

Publication number Publication date
CN111194048A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN113537514B (zh) 一种高能效的基于数字孪生的联邦学习框架
Msechu et al. Sensor-centric data reduction for estimation with WSNs via censoring and quantization
CN108566257B (zh) 一种基于反向传播神经网络的信号恢复方法
CN113381952B (zh) 基于深度学习的多天线系统信道估计方法
CN109039720B (zh) 一种针对二值传感器网络的参数估计方法
CN111194048B (zh) 一种基于em的1比特参数估计方法
CN110426671B (zh) Wsn中基于模型概率实时修正的imm目标跟踪方法及装置
CN112836822B (zh) 基于宽度学习的联邦学习策略优化方法和装置
CN112910811A (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN105207959B (zh) 一种miso-ofdm系统的信道估计方法
CN110909303A (zh) 一种自适应时空异质性反距离插值方法
Owfi et al. A Meta-learning based Generalizable Indoor Localization Model using Channel State Information
CN109194504A (zh) 面向动态网络的时序链路预测方法及计算机可读存储介质
CN116362328A (zh) 一种基于公平性特征表示的联邦学习异构模型聚合方法
CN108834043B (zh) 基于先验知识的压缩感知多目标无源定位方法
WO2023040886A1 (zh) 数据采集方法及装置
CN107426748B (zh) 一种无线网络控制系统中多传感器估计性能方法
CN107315918B (zh) 一种利用噪声提高稳健估计的方法
CN102638846B (zh) 一种基于最优量化策略的wsn通信负载降低方法
CN110113084A (zh) Mimo闭环传输系统的信道预测方法
Shirazi et al. Bayesian cramer-rao bound for distributed vector estimation with linear observation model
CN110912843A (zh) 大规模无线传感器网络中的分布式盲估计方法及系统
Harel et al. Non-Bayesian estimation with partially quantized observations
Khoshkbari et al. Bayesian reinforcement learning for link-level throughput maximization
CN109951874B (zh) 一种传感器网络中实时追踪移动未知节点的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221206