CN113194049A - 基于牛顿迭代二值采样信号的参数鲁棒估计方法 - Google Patents
基于牛顿迭代二值采样信号的参数鲁棒估计方法 Download PDFInfo
- Publication number
- CN113194049A CN113194049A CN202110398162.5A CN202110398162A CN113194049A CN 113194049 A CN113194049 A CN 113194049A CN 202110398162 A CN202110398162 A CN 202110398162A CN 113194049 A CN113194049 A CN 113194049A
- Authority
- CN
- China
- Prior art keywords
- calculating
- parameter
- objective function
- estimated
- noise
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
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αk;S70,通过牛顿法更新待估计参数vk+1;S80,判断梯度值精度;S90,计算估计值wML。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。
Description
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αk;
S70,通过牛顿法更新待估计参数vk+1,更新的最终估计值为vML;
S80,判断梯度值精度;
S90,计算估计值wML;
其中,S60计算搜索步长αk后,再判断是否满足线性搜索条件,满足则执行S61,令αk=δ2αk,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yi,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ei和加性噪声ni,乘性噪声ei和加性噪声ni相互独立且满足零均值的高斯分布,故其中σe为乘性噪声的标准差,σn为加性噪声的标准差;
其中,εi∈(1,-1)为二值干扰噪声。
优选地,所述S30,初始化,包括设置待估计参数的初始值w0和初始搜索步长α0。
优选地,所述S80,判断梯度值精度,若|gk|<ε(ε>0)则停止循环迭代并执行S90;否,则重新执行S40。
本发明至少具有如下有益效果:
1.考虑了无线传感器网络中节点与处理中心之间的二值传输信道存在随机扰动的情况,保证了方法在非理想信道下的鲁棒性;
2.使用牛顿迭代估计方法进行参数的估计,相比于传统的梯度下降估计方法,本发明的方法收敛速度更快;
3.在本发明中考虑了乘性噪声对参数估计的影响,避免了乘性噪声难以从信号中单独分离出噪声成分,从而对估计结果造成很大影响的情况,保证了估计值的准确性;
4.将传感器节点接收到的采样信号值压缩成二值信号,降低了无线传感器网络的能量消耗和通信负载。
附图说明
图1为本发明实施例基于牛顿迭代二值采样信号的参数鲁棒估计方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
在无线传感器网络的实际应用中,许多场景都存在着加性噪声和乘性噪声夹杂在一起的复杂噪声环境,并且节点与处理中心之间的二值传输信道有时会存在随机扰动的情况,这些情况会严重影响参数估计的准确性。本发明提出了一种基于牛顿迭代二值采样信号的参数鲁棒估计方法。该方法充分考虑了乘性噪声环境以及传感器节点与融合中心之间二值信道的干扰对参数估计的影响,提高了参数估计值的精准性。
参见图1:本发明提供了一种基于牛顿迭代二值采样信号的参数鲁棒估计方法,步骤如下:
S10,建立信号模型:考虑由N个无线节点构成的传感器网络,每个节点能够感知网络环境周围1比特信息yi,i=1,2,...,N,因此二值EIV(erros-in-varaiables)信号模型可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ei和加性噪声ni),由于乘性噪声ei和加性噪声ni相互独立且满足零均值的高斯分布,因此其中
本发明所基于的网络并非是处于理想环境,节点与处理中心之间的二值传输信道存在随机扰动,导致处理中心接收到的比特信号可能发生反相。也就是说,当第i个节点发送的真实比特信息值为yi=+1(或者-1),而处理中心接收到的信号可能变成了(或+1),它们之间的关系可以表示为:其中εi∈(1,-1)表示二值干扰噪声。本发明假设存在扰动的差错概率为μ,即P(εi=-1)=μ,P(εi=-1)表示二值干扰噪声εi=-1时的概率函数。
S20,计算最大似然估计的目标函数:利用S10所说明的信号模型,可以推算出似然函数通过可求出目标函数然而目标函数并不是一个凸函数,这就无法通过牛顿法进行准确的参数估计。可以将v=w/σz带入目标函数中,使其转换成一个新的凸函数经过计算可得其中接下来说明如何在非理想信道下,用二值牛顿迭代估计方法进行参数估计。
S30,初始化:设置待估计参数的初始值w0,初始搜索步长α0等初始参数。
S70,通过牛顿法更新待估计参数vk+1:利用S40计算出的梯度值gk、S50计算出的Hessian矩阵Gk以及S60计算得到的搜索步长αk,通过公式即可更新待估计参数vk+1,迭代更新的最终估计值为vML。
S80,判断梯度值精度:若|gk|<ε(ε>0)则停止循环迭代并执行S90;否则重新执行S40。
本发明将传感器节点接受到的采样信号值压缩成二值信号,在考虑到乘性噪声和二值信道存在扰动的基础上建立信号模型。根据信号模型计算出最大似然估计的目标函数,然后利用牛顿迭代估计方法计算参数估计值,保证了在乘性噪声环境中,并且二值信道存在扰动的情况下,参数估计值依然具有较高的精准性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于牛顿迭代二值采样信号的参数鲁棒估计方法,其特征在于,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αk;
S70,通过牛顿法更新待估计参数vk+1,更新的最终估计值为vML;
S80,判断梯度值精度;
S90,计算估计值wML;
其中,S60计算搜索步长αk后,再判断是否满足线性搜索条件,满足则执行S61,令αk=δ2αk,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。
4.根据权利要求3所述的方法,其特征在于,所述S30,初始化,包括设置待估计参数的初始值w0和初始搜索步长α0。
9.根据权利要求8所述的方法,其特征在于,所述S80,判断梯度值精度,若|gk|<ε(ε>0)则停止循环迭代并执行S90;否,则重新执行S40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398162.5A CN113194049B (zh) | 2021-04-14 | 2021-04-14 | 基于牛顿迭代二值采样信号的参数鲁棒估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398162.5A CN113194049B (zh) | 2021-04-14 | 2021-04-14 | 基于牛顿迭代二值采样信号的参数鲁棒估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113194049A true CN113194049A (zh) | 2021-07-30 |
CN113194049B CN113194049B (zh) | 2022-06-07 |
Family
ID=76973939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110398162.5A Active CN113194049B (zh) | 2021-04-14 | 2021-04-14 | 基于牛顿迭代二值采样信号的参数鲁棒估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113194049B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114465854A (zh) * | 2021-12-23 | 2022-05-10 | 湖南艾科诺维科技有限公司 | 一种基于拟牛顿法的盲解调参数优化方法、系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2689789A1 (en) * | 2009-01-07 | 2010-07-07 | The University Of Sydney | A method and system of data modelling |
EP3101488A1 (en) * | 2015-06-03 | 2016-12-07 | Honeywell spol s.r.o. | Gray box model estimation for process controller |
CN111194048A (zh) * | 2019-07-01 | 2020-05-22 | 杭州电子科技大学 | 一种基于em的1比特参数估计方法 |
CN112437397A (zh) * | 2020-11-11 | 2021-03-02 | 桂林电子科技大学 | 基于交替修正牛顿法的分布式传感器节点定位方法 |
-
2021
- 2021-04-14 CN CN202110398162.5A patent/CN113194049B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2689789A1 (en) * | 2009-01-07 | 2010-07-07 | The University Of Sydney | A method and system of data modelling |
EP3101488A1 (en) * | 2015-06-03 | 2016-12-07 | Honeywell spol s.r.o. | Gray box model estimation for process controller |
CN111194048A (zh) * | 2019-07-01 | 2020-05-22 | 杭州电子科技大学 | 一种基于em的1比特参数估计方法 |
CN112437397A (zh) * | 2020-11-11 | 2021-03-02 | 桂林电子科技大学 | 基于交替修正牛顿法的分布式传感器节点定位方法 |
Non-Patent Citations (2)
Title |
---|
ANDREA ZANELLI: "Zero-Order Moving Horizon Estimation", 《IEEE》 * |
王海雷: "面向高维数据的特征学习算法研究", 《博士电子期刊》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114465854A (zh) * | 2021-12-23 | 2022-05-10 | 湖南艾科诺维科技有限公司 | 一种基于拟牛顿法的盲解调参数优化方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113194049B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109245804B (zh) | 基于雅可比迭代的大规模mimo信号检测方法 | |
CN108566257A (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN109257127B (zh) | 一种基于自适应随机共振的通信信号检测方法 | |
CN105307266B (zh) | 基于自适应空间格点的传感器网络压缩感知精确定位方法 | |
CN107743056B (zh) | 一种基于压缩感知辅助的scma多用户检测方法 | |
CN110225454B (zh) | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 | |
CN110632555B (zh) | 一种基于矩阵特征值扰动的tdoa直接定位方法 | |
CN113194049B (zh) | 基于牛顿迭代二值采样信号的参数鲁棒估计方法 | |
CN110932807B (zh) | 一种非高斯噪声下mimo系统的频谱感知方法及系统 | |
CN108646249B (zh) | 一种适用于部分均匀混响背景的参数化泄露目标检测方法 | |
CN108965179B (zh) | 增强遥测综合网系统在多径信道下的两步频偏估计方法 | |
CN111194048B (zh) | 一种基于em的1比特参数估计方法 | |
CN110536410B (zh) | 非视距环境下基于rss和tdoa测量的定位方法 | |
CN113541817B (zh) | 星座概率整形相干光通信系统的偏振相关损耗补偿方法 | |
CN109996171B (zh) | 用于无线传感网络的遗传-禁忌搜索优化的Amorphous定位方法 | |
CN108445445B (zh) | 一种分布式无源定位方法及装置 | |
CN115967421A (zh) | 一种分布式天线系统下联合参数估计与信号重构的方法及系统 | |
CN110971546B (zh) | 一种大规模mimo系统信道跟踪方法 | |
CN113835107B (zh) | 阵列卫星导航接收机的信号处理方法、装置及智能终端 | |
CN107315918B (zh) | 一种利用噪声提高稳健估计的方法 | |
CN113114421A (zh) | 一种面向色噪声环境的深度学习迭代接收方法及系统 | |
CN102638846B (zh) | 一种基于最优量化策略的wsn通信负载降低方法 | |
CN115841149A (zh) | 基于置信度估计的卫星故障预测模型训练及故障预测方法 | |
CN113965236A (zh) | 适用于卫星通信的高鲁棒性自适应波束赋形方法和装置 | |
CN113381797A (zh) | 一种基于广义张量压缩的无人机信息监控方法 |
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 |