CN116055340B - 分布式网络未知参数估计方法、装置及电子设备 - Google Patents

分布式网络未知参数估计方法、装置及电子设备 Download PDF

Info

Publication number
CN116055340B
CN116055340B CN202211566352.4A CN202211566352A CN116055340B CN 116055340 B CN116055340 B CN 116055340B CN 202211566352 A CN202211566352 A CN 202211566352A CN 116055340 B CN116055340 B CN 116055340B
Authority
CN
China
Prior art keywords
node
estimated value
iteration
value
deviation
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.)
Active
Application number
CN202211566352.4A
Other languages
English (en)
Other versions
CN116055340A (zh
Inventor
贾丽娟
朱宸
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211566352.4A priority Critical patent/CN116055340B/zh
Publication of CN116055340A publication Critical patent/CN116055340A/zh
Application granted granted Critical
Publication of CN116055340B publication Critical patent/CN116055340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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

  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供一种分布式网络未知参数估计方法、装置及电子设备。该方法应用于分布式网络中的各节点，包括：在每次迭代中，根据本节点的输出测量值和输入回归向量计算本节点的中间估计值；根据各相邻节点的含噪中间估计值与本节点的中间估计值的偏差更新结合因子，基于结合因子确定本节点的估计值；根据本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的偏差，确定本次迭代中本节点的最终估计值；重复迭代直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使总控电子设备根据最终迭代中各节点的最终估计值计算未知参数的估计值。本申请能够降低链路噪声的影响，提高对未知参数的估计精度。

Description

分布式网络未知参数估计方法、装置及电子设备
技术领域
本申请涉及分布式信息处理技术领域，具体涉及一种分布式网络未知参数估计方法、装置及电子设备。
背景技术
分布式网络未知参数估计，将经典的自适应数字滤波技术和分布式协同策略相结合，提升了对未知参数的估计精度，因此被广泛应用于无线传感器网络、无人机集群控制、精准农业、海洋检测、智能交通等方面。
传统的分布式网络未知参数估计方法通常基于扩散式策略，当分布式网络中仅在各节点的输出端存在加性高斯白噪声时，可以较为准确的估计未知参数。然而，当分布式网络环境的噪声更为复杂，尤其是当分布式网络存在链路噪声，甚至是非高斯脉冲链路噪声时，上述传统的分布式网络未知参数估计方法的估计性能会被严重削弱，对未知参数的估计精度会降低。
发明内容
有鉴于此，本申请实施例提供了一种分布式网络未知参数估计方法、装置及电子设备，以解决传统的分布式网络未知参数估计方法在分布式网络环境的噪声条件复杂时，对未知参数的估计精度会降低的技术问题。
第一方面，本申请实施例提供了一种分布式网络未知参数估计方法，应用于分布式网络中的各节点，每个节点为一个电子设备，上述方法包括：在每次迭代中，根据获取到的本节点的输出测量值和输入回归向量，基于扩散式最小均方算法，计算本节点的中间估计值；输出测量值和输入回归向量与未知参数相关。基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值。根据各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值。计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值。重复迭代直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使总控电子设备对最终迭代中各节点的最终估计值做均值计算，并将均值作为未知参数的估计值。
在第一方面的一种可能的实施方式中，各相邻节点对应的含噪中间估计值为各相邻节点的中间估计值与对应链路噪声之和；基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值，包括：根据各节点对应的预设激活概率，从与本节点相连的各节点中确定至少一个节点作为本节点的相邻节点；接收各相邻节点对应的含噪中间估计值。
在第一方面的一种可能的实施方式中，根据各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值，包括：计算各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，判断数值最大的第一偏差是否大于检测阈值；若数值最大的第一偏差大于检测阈值，则基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法，根据数值最小的第一偏差对应的相邻节点的含噪中间估计值、本节点的中间估计值和更新后的结合因子确定本节点的估计值；若数值最大的第一偏差小于等于检测阈值，则基于扩散式最小均方算法，根据各相邻节点的含噪中间估计值、本节点的中间估计值和预设结合系数确定本节点的估计值。
在第一方面的一种可能的实施方式中，结合因子的更新公式为：式中，εk(i)为结合因子，k为本节点，i为本次迭代次数，λk(i)为指数因子；若εk(i)＜1-ε+，则取εk(i)＝1-ε+，若εk(i)＞ε+，则取εk(i)＝ε+，ε+为预设临界常数；其中，指数因子的更新公式为：式中，k为本节点，i为本次迭代次数，λk(i-1)为上一迭代中的指数因子，μλ，k为步长，σ为常数，ek，i-1为上一迭代中的误差，uk，i为输入回归向量，/>为上一迭代中本节点k的中间估计值，/>为上一迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值。相应的，数值最大的第一偏差大于检测阈值时，本节点的估计值为：式中，wk(i)为本节点k的估计值，/>为本节点k的中间估计值，/>为本次迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值。
在第一方面的一种可能的实施方式中，数值最大的第一偏差小于等于检测阈值时，本节点的估计值为：式中，k为本节点，i为本次迭代次数，wk(i)为本节点k的估计值，/>为本节点k的中间估计值，ak为本节点k对应的预设结合系数，alk为第l个相邻节点对应的预设结合系数，且满足为本节点k的相邻节点的集合，/>为第l个相邻节点的含噪中间估计值。
在第一方面的一种可能的实施方式中，计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值，包括：计算本次迭代中本节点的估计值与本节点的中间估计值的偏差作为第二偏差，计算本次迭代之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的各偏差作为第二偏差；确定数值最小的第二偏差对应的本节点的估计值作为本次迭代中本节点的最终估计值。
在第一方面的一种可能的实施方式中，本节点的中间估计值为：式中，/>为本节点k的中间估计值，i为本次迭代次数，dk(i)为输出测量值，uk(i)为输入回归向量，μk为步长，为上一迭代中本节点k的最终估计值。
第二方面，本申请实施例提供了一种分布式网络未知参数估计装置，包括：
第一计算模块，用于在每次迭代中，根据获取到的本节点的输出测量值和输入回归向量，基于扩散式最小均方算法，计算本节点的中间估计值；输出测量值和输入回归向量与未知参数相关。
第一确定模块，用于基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值。
第二确定模块，用于根据各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值。
第二计算模块，用于计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值。
控制模块，用于控制第一计算模块、第一确定模块、第二确定模块和第二计算模块重新执行直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使总控电子设备对最终迭代中各节点的最终估计值做均值计算，并将均值作为未知参数的估计值。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面任一项所述的分布式网络未知参数估计方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项所述的分布式网络未知参数估计方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的分布式网络未知参数估计方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例提供的分布式网络未知参数估计方法、装置及电子设备，通过随机策略确定本节点的相邻节点，并在链路存在链路噪声时，对空间上的最小偏差进行筛选，筛选出对应的相邻节点的含噪中间估计值用于与本节点的中间估计值进行结合得到本节点的估计值，同时自适应更新结合因子，以及基于本节点的估计值对时间上的最小偏差进行筛选，确定未知参数的估计值，可以降低链路噪声的影响，提高对未知参数的估计精度，同时降低了分布式网络的通信量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的分布式网络的结构示意图；
图2是本申请一实施例提供的分布式网络未知参数估计方法的流程示意图；
图3是本申请另一实施例提供的分布式网络未知参数估计方法的流程示意图；
图4是本申请一实施例提供的分布式网络不存在链路噪声的理想无噪情况下估计精度的对比示意图；
图5是本申请一实施例提供的分布式网络中存在的链路噪声为伯努利-高斯脉冲噪声的情况下估计精度的对比示意图；
图6是本申请一实施例提供的分布式网络中存在的链路噪声为对称α-稳定分布脉冲噪声情况下估计精度的对比示意图；
图7是本申请一实施例提供的分布式网络未知参数估计装置的结构示意图；
图8是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本申请进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本申请的作用，但不以任何形式限制本申请。应当指出的是，对本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进。这些都属于本申请的保护范围。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
此外，本申请实施例中提到的“多个”应当被解释为两个或两个以上。
图1是本申请一实施例提供的分布式网络的结构示意图。如图1所示，分布式网络中包括多个节点，每个节点为一个电子设备。每个节点有至少一个与其相连的节点，且每个节点与其相连的节点通过二者之间的链路进行通信。
图2是本申请一实施例提供的分布式网络未知参数估计方法的流程示意图。如图2所示，本申请实施例中的方法，应用于分布式网络中的各节点，上述方法可以包括：
步骤101、在每次迭代中，根据获取到的本节点的输出测量值和输入回归向量，基于扩散式最小均方算法，计算本节点的中间估计值。
其中，输出测量值和输入回归向量与未知参数相关，未知参数为待估计的未知目标参数。
可选的，上述输出测量值和输入回归向量为本节点对应的自适应滤波器的输出和输入，输出测量值和输入回归向量与未知参数的关系可以由多元线性回归模型表示：
式中，k为本节点，i为本次迭代次数，也可以认为是当前时刻。wo为未知参数的向量形式，称为未知向量，其尺寸为M×1，M表示未知向量中元素的个数。dk(i)为输出测量值，uk(i)为输入回归向量，其尺寸为M×1。vk(i)表示方差为的输出端加性高斯白噪声。
可选的，基于扩散式最小均方(Diffusion Least Mean Square，简称DLMS)算法中的自适应更新步骤，本节点的中间估计值为：
式中，为本节点k的中间估计值，i为本次迭代次数，dk(i)为输出测量值，uk(i)为输入回归向量，μk为步长，μk＝μ，μ为常数，/>为上一迭代中本节点k的最终估计值，其中，/>ek(i)为估计误差。
需要注意的是，与传统的扩散式最小均方算法相比，本申请实施例中本节点的中间估计值是基于进行自适应更新，可以进一步抑制链路噪声对自适应更新过程的影响，从而有效提高对未知参数的估计精度。
步骤102、基于随机策略，确定本节点的至少一个相邻节点，并接收各相邻节点对应的含噪中间估计值。
在一种可能的实施方式中，步骤102中，具体可以包括：
S1、根据各节点对应的预设激活概率，从与本节点相连的各节点中确定至少一个节点作为本节点的相邻节点。
S2、接收各相邻节点对应的含噪中间估计值。
可选的，按照各节点对应的预设激活概率，从与本节点相连的各节点中随机激活至少一个节点作为本节点的相邻节点，上述本节点的相邻节点的集合表示为其中，各节点对应的预设激活概率pk，i相同，可以为固定常数，也可以在每次迭代中根据需求设置不同数值。
采用随机策略确定本节点的相邻节点，并基于与上述相邻节点的通信进行后续步骤，可以减少分布式网络中的通信量。
示例性的，上述各相邻节点对应的含噪中间估计值为各相邻节点的中间估计值与对应链路噪声之和。在实际应用中，分布式网络环境的噪声复杂，分布式网络可能存在链路噪声，这就导致各相连的节点在互相通信时，接收到的信息可能带有链路噪声。本节点接收各相邻节点对应的含噪中间估计值可以表示为：
式中，为第l个相邻节点的含噪中间估计值，/>为第l个相邻节点的中间估计值，/>为第l个相邻节点与本节点k之间链路的链路噪声，其可以为尺寸为M×1、方差为/>的高斯白噪声，也可以为非高斯脉冲噪声。
步骤103、根据各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值。
在一种可能的实施方式中，参照图3，步骤103中，具体可以包括：
步骤1031、计算各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，判断数值最大的第一偏差是否大于检测阈值。
可选的，第一偏差可以表示为：
式中，elk(i)为第一偏差，即第l个相邻节点的中间估计值与本节点k的中间估计值/>的偏差。
示例性的，按照数值大小对上述各第一偏差进行排序。若数值最大的第一偏差小于等于检测阈值，则认为所有相邻节点的含噪中间估计值均不包含链路噪声，即本节点接收到的各相邻节点的含噪中间估计值等于对应各相邻节点的中间估计值。此时可以将各相邻节点的含噪中间估计值与本节点的中间估计值进行结合，以确定本节点的估计值。若数值最大的第一偏差大于检测阈值，则说明至少一个相邻节点的含噪中间估计值中包含链路噪声，此时为降低链路噪声的影响，选择数值最小的第一偏差对应的相邻节点的含噪中间估计值与本节点的中间估计值进行结合，以确定本节点的估计值。
也就是说，在链路存在链路噪声时，对空间上的最小偏差进行筛选，筛选出对应的相邻节点的含噪中间估计值用于与本节点的中间估计值进行结合，可以抑制分布式网络中的非高斯脉冲链路噪声。
步骤1032、若数值最大的第一偏差大于检测阈值，则基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法，根据数值最小的第一偏差对应的相邻节点的含噪中间估计值、本节点的中间估计值和更新后的结合因子确定本节点的估计值。
示例性的，根据Sigmoid函数和基于高斯核空间变换的最大相关熵准则对结合因子和指数因子进行更新。结合因子的更新公式为：
式中，εk(i)为结合因子，k为本节点，i为本次迭代次数，λk(i)为指数因子。若εk(i)＜1-ε+，则取εk(i)＝1-ε+，若εk(i)＞ε+，则取εk(i)＝ε+，其中，ε+＝ε，ε为预设临界常数，且满足0＜＜ε＜1。
其中，指数因子的更新公式为：
式中，k为本节点，i为本次迭代次数，μλ，k为步长，μλ，k＝μk＝μ，μ为常数，σ为常数，uk，i为输入回归向量。λk(i-1)为上一迭代中的指数因子，ek，j-1为上一迭代中的误差，为上一迭代中本节点k的中间估计值，/>为上一迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值。
相应的，数值最大的第一偏差大于检测阈值时，基于扩散式最小均方算法中的信息结合步骤，本节点的估计值为：
式中，wk(i)为本节点k的估计值，为本节点k的中间估计值，/>为本次迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值。
需要注意的是，由前述可知，与传统的扩散式最小均方算法相比，本申请实施例基于自适应更新的结合因子，选择数值最小的第一偏差对应的相邻节点的含噪中间估计值与本节点的中间估计值进行结合，从而可以降低链路噪声对未知参数的估计精度的影响。
步骤1033、若数值最大的第一偏差小于等于检测阈值，则基于扩散式最小均方算法，根据各相邻节点的含噪中间估计值、本节点的中间估计值和预设结合系数确定本节点的估计值。
可选的，数值最大的第一偏差小于等于检测阈值时，基于扩散式最小均方算法中的信息结合步骤，本节点的估计值为：
式中，k为本节点，i为本次迭代次数，wk(i)为本节点k的估计值，为本节点k的中间估计值，ak为本节点k对应的预设结合系数，alk为第l个相邻节点对应的预设结合系数，且满足/>为本节点k的相邻节点的集合，/>为第l个相邻节点的含噪中间估计值。
示例性的，ak与alk的取值可以相同，即预设结合系数的取值可以为
步骤104、计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值。
在一种可能的实施方式中，步骤104中，具体可以包括：
S11、计算本次迭代中本节点的估计值与本节点的中间估计值的偏差作为第二偏差，计算本次迭代之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的各偏差作为第二偏差。
S12、确定数值最小的第二偏差对应的本节点的估计值作为本次迭代中本节点的最终估计值。
可选的，第二偏差可以表示为：
式中，δnk(i)为第二偏差，即第i-n次迭代中本节点k的估计值wk(i-n)与本次迭代中本节点k的中间估计值的偏差。其中，第i-n次迭代也可以认为是第i-n时刻。
示例性的，取各第二偏差中，数值最小的第二偏差对应的本节点的估计值wk(i-n0)作为本次迭代中本节点的最终估计值即/>并将上述本节点的最终估计值/>用作下一次迭代，即第i+1次迭代中本节点的中间估计值的计算(步骤101中对本节点的中间估计值的计算)。
对时间上的最小偏差进行筛选，可以抑制分布式网络中的非高斯脉冲链路噪声。
步骤105、重复迭代直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使总控电子设备对最终迭代中各节点的最终估计值做均值计算，并将均值作为未知参数的估计值。
示例性的，总控电子设备分别与分布式网络中的各节点通信连接，即总控电子设备分别与分布式网络中的各电子设备通信连接。
可选的，重复上述步骤101至步骤104直至达到预设迭代次数。与分布式网络中各节点分别相连的总控电子设备接收最终迭代中各节点的最终估计值，并对上述最终迭代中各节点的最终估计值进行均值计算，得到的均值作为未知参数的估计值。
在一种可能的实施方式中，由于迭代结束后，最终迭代中各节点的最终估计值的数值相差不大，总控电子设备在接收到最终迭代中各节点的最终估计值后，还可以直接取最终迭代中任一节点的最终估计值作为未知参数的估计值。
需要说明的是，在初次迭代中，对各参数进行初始值设置以进行初次迭代。设置各参数的初始值如下：wk(0)＝0M×1，λk(0)＝0。其中，wk(0)为本节点k的估计值的初始值，/>为本节点k的最终估计值的初始值，其尺寸为M×1，λk(0)为指数因子的初始值。
本申请实施例提供的一种分布式网络未知参数估计方法，通过随机策略确定本节点的相邻节点，并在链路存在链路噪声时，对空间上的最小偏差进行筛选，筛选出对应的相邻节点的含噪中间估计值用于与本节点的中间估计值进行结合得到本节点的估计值，同时自适应更新结合因子，以及基于本节点的估计值对时间上的最小偏差进行筛选，确定未知参数的估计值，可以降低链路噪声的影响，提高对未知参数的估计精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以下，为验证本申请实施例中提供的分布式网络未知参数估计方法(以下称为Our)的准确性和有效性，将其与先自适应再结合形式的扩散式最小均方方法(Adaptive-then-combine DLMS，简称ATC-DLMS)和最小扰动扩散式最小均方方法(MinimumDisturbance DLMS，简称MD-DLMS)进行实验对比。其中，ATC-DLMS又分为ATC-DLMS1与ATC-DLMS2，ATC-DLMS1为传统的分布式协作方法，ATC-DLMS2的结合矩阵为单位阵，即非协作方法。
在实验中，分布式网络由分布在不同空间位置的N＝20个节点组成，上述四个方法均被迭代计算3000次，并分别在独立运行100次蒙特卡罗仿真后取平均结果。各方法的对未知参数的估计精度，即估计性能选取均方误差(mean square deviation，简称MSD)来评估。
本实验中分布式网络不存在链路噪声的理想无噪情况下，上述四个方法对未知参数的估计精度的对比如图4所示。参照图4，本申请实施例中的方法Our的均方误差远小于ATC-DLMS2方法，即本申请实施例中的方法Our的估计性能优于ATC-DLMS2，且接近ATC-DLMS1和MD-DLMS方法。
本实验中分布式网络中存在的链路噪声为伯努利-高斯脉冲噪声的情况下，上述四个方法对未知参数的估计精度的对比如图5所示。参照图5，本申请实施例中的方法Our能够有效抑制链路噪声，使其估计性能更接近理想无噪的情况，且能够保持分布式协作方法的优势，获得优于ATC-DLMS2非协作方法的估计性能。
本实验中分布式网络中存在的链路噪声为对称α-稳定分布脉冲噪声情况下，上述四个方法对未知参数的估计精度的对比如图6所示。参照图6，本申请实施例中的方法Our能够有效抑制链路噪声，且发挥了分布式协作方法的优势，其估计性能优于ATC-DLMS1、ATC-DLMS2和MD-DLMS。
图7是本申请一实施例提供的分布式网络未知参数估计装置的结构示意图。如图7所示，本实施例提供的分布式网络未知参数估计装置，可以包括：第一计算模块201、第一确定模块202、第二确定模块203、第二计算模块204和控制模块205。
其中，第一计算模块，用于在每次迭代中，根据获取到的本节点的输出测量值和输入回归向量，基于扩散式最小均方算法，计算本节点的中间估计值；输出测量值和输入回归向量与未知参数相关。
第一确定模块，用于基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值。
第二确定模块，用于根据各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值。
第二计算模块，用于计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值。
控制模块，用于控制第一计算模块、第一确定模块、第二确定模块和第二计算模块重新执行直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使总控电子设备对最终迭代中各节点的最终估计值做均值计算，并将均值作为未知参数的估计值。
可选的，第一确定模块202具体用于：根据各节点对应的预设激活概率，从与本节点相连的各节点中确定至少一个节点作为本节点的相邻节点；接收各相邻节点对应的含噪中间估计值。
可选的，第二确定模块203具体用于：计算各相邻节点的含噪中间估计值与本节点的中间估计值的第一偏差，判断数值最大的第一偏差是否大于检测阈值；若数值最大的第一偏差大于检测阈值，则基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法，根据数值最小的第一偏差对应的相邻节点的含噪中间估计值、本节点的中间估计值和更新后的结合因子确定本节点的估计值；若数值最大的第一偏差小于等于检测阈值，则基于扩散式最小均方算法，根据各相邻节点的含噪中间估计值、本节点的中间估计值和预设结合系数确定本节点的估计值。
可选的，第二计算模块204具体用于：计算本次迭代中本节点的估计值与本节点的中间估计值的偏差作为第二偏差，计算本次迭代之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的各偏差作为第二偏差；确定数值最小的第二偏差对应的本节点的估计值作为本次迭代中本节点的最终估计值。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8是本申请一实施例提供的电子设备的结构示意图。如图8所示，该实施例的电子设备300包括：处理器310、存储器320，上述存储器320中存储有可在处理器310上运行的计算机程序321。处理器310执行计算机程序321时实现上述任意各个方法实施例中的步骤，例如图2所示的步骤101至105。或者，处理器310执行计算机程序321时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块201至205的功能。
示例性的，计算机程序321可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序321在电子设备300中的执行过程。
本领域技术人员可以理解，图8仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是电子设备的内部存储单元，例如电子设备的硬盘或内存，也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。上述存储器320还可以既包括电子设备的内部存储单元也包括外部存储设备。上述存储器320用于存储计算机程序以及电子设备所需的其他程序和数据。存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (7)

1.一种分布式网络未知参数估计方法，其特征在于，应用于分布式网络中的各节点，每个节点为一个电子设备，所述方法包括：
在每次迭代中，根据获取到的本节点的输出测量值和输入回归向量，基于扩散式最小均方算法，计算本节点的中间估计值；所述输出测量值和所述输入回归向量与未知参数相关；
基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值；
根据各相邻节点的含噪中间估计值与所述本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值；
计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值；
重复迭代直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使所述总控电子设备对所述最终迭代中各节点的最终估计值做均值计算，并将均值作为未知参数的估计值；
所述根据各相邻节点的含噪中间估计值与所述本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值，包括：
计算各相邻节点的含噪中间估计值与所述本节点的中间估计值的第一偏差，判断数值最大的第一偏差是否大于检测阈值；
若所述数值最大的第一偏差大于所述检测阈值，则基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法，根据数值最小的第一偏差对应的相邻节点的含噪中间估计值、本节点的中间估计值和更新后的结合因子确定本节点的估计值；
若所述数值最大的第一偏差小于等于所述检测阈值，则基于扩散式最小均方算法，根据各相邻节点的含噪中间估计值、本节点的中间估计值和预设结合系数确定本节点的估计值；
所述结合因子的更新公式为：
式中，εk(i)为结合因子，k为本节点，i为本次迭代次数，λk(i)为指数因子；若εk(i)＜1-ε+，则取εk(i)＝1-ε+，若εk(i)＞ε+，则取εk(i)＝ε+，ε+为预设临界常数；其中，指数因子的更新公式为：
式中，k为本节点，i为本次迭代次数，λk(i-1)为上一迭代中的指数因子，μλ，k为步长，σ为常数，ek，i-1为上一迭代中的误差，uk，i为输入回归向量，为上一迭代中本节点k的中间估计值，/>为上一迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值；
相应的，所述数值最大的第一偏差大于所述检测阈值时，本节点的估计值为：
式中，wk(i)为本节点k的估计值，为本节点k的中间估计值，/>为本次迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值；
所述数值最大的第一偏差小于等于所述检测阈值时，本节点的估计值为：
式中，k为本节点，i为本次迭代次数，wk(i)为本节点k的估计值，为本节点k的中间估计值，ak为本节点k对应的预设结合系数，alk为第l个相邻节点对应的预设结合系数，且满足/> 为本节点k的相邻节点的集合，/>为第l个相邻节点的含噪中间估计值。
2.根据权利要求1所述的分布式网络未知参数估计方法，其特征在于，所述各相邻节点对应的含噪中间估计值为各相邻节点的中间估计值与对应链路噪声之和；
所述基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值，包括：
根据各节点对应的预设激活概率，从与本节点相连的各节点中确定至少一个节点作为本节点的相邻节点；
接收各相邻节点对应的含噪中间估计值。
3.根据权利要求1所述的分布式网络未知参数估计方法，其特征在于，所述计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值，包括：
计算本次迭代中本节点的估计值与本节点的中间估计值的偏差作为第二偏差，计算本次迭代之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的各偏差作为第二偏差；
确定数值最小的第二偏差对应的本节点的估计值作为本次迭代中本节点的最终估计值。
4.根据权利要求1至3任一项所述的分布式网络未知参数估计方法，其特征在于，所述本节点的中间估计值为：
式中，为本节点k的中间估计值，i为本次迭代次数，dk(i)为输出测量值，uk(i)为输入回归向量，μk为步长，/>为上一迭代中本节点k的最终估计值。
5.一种分布式网络未知参数估计装置，其特征在于，包括：
第一计算模块，用于在每次迭代中，根据获取到的本节点的输出测量值和输入回归向量，基于扩散式最小均方算法，计算本节点的中间估计值；所述输出测量值和所述输入回归向量与未知参数相关；
第一确定模块，用于基于随机策略，确定本节点的至少一个相邻节点；接收各相邻节点对应的含噪中间估计值；
第二确定模块，用于根据各相邻节点的含噪中间估计值与所述本节点的中间估计值的第一偏差，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法和更新后的结合因子确定本节点的估计值；
第二计算模块，用于计算本次迭代及之前迭代中本节点的各估计值与本次迭代中本节点的中间估计值的第二偏差，根据各第二偏差确定本次迭代中本节点的最终估计值；
控制模块，用于控制所述第一计算模块、所述第一确定模块、所述第二确定模块和所述第二计算模块重新执行直至达到预设迭代次数，将最终迭代中本节点的最终估计值发送至总控电子设备，以使所述总控电子设备对所述最终迭代中各节点的最终估计值做均值计算，并将均值作为未知参数的估计值；
所述第二确定模块，具体用于计算各相邻节点的含噪中间估计值与所述本节点的中间估计值的第一偏差，判断数值最大的第一偏差是否大于检测阈值；
在所述数值最大的第一偏差大于所述检测阈值时，基于Sigmoid函数和最大相关熵准则对结合因子进行更新，并基于扩散式最小均方算法，根据数值最小的第一偏差对应的相邻节点的含噪中间估计值、本节点的中间估计值和更新后的结合因子确定本节点的估计值；
在所述数值最大的第一偏差小于等于所述检测阈值时，基于扩散式最小均方算法，根据各相邻节点的含噪中间估计值、本节点的中间估计值和预设结合系数确定本节点的估计值；
其中，所述结合因子的更新公式为：
式中，εk(i)为结合因子，k为本节点，i为本次迭代次数，λk(i)为指数因子；若εk(i)＜1-ε+，则取εk(i)＝1-ε+，若εk(i)＞ε+，则取εk(i)＝ε+，ε+为预设临界常数；其中，指数因子的更新公式为：
式中，k为本节点，i为本次迭代次数，λk(i-1)为上一迭代中的指数因子，μλ，k为步长，σ为常数，ek，i-1为上一迭代中的误差，uk，i为输入回归向量，为上一迭代中本节点k的中间估计值，/>为上一迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值；
相应的，所述数值最大的第一偏差大于所述检测阈值时，本节点的估计值为：
式中，wk(i)为本节点k的估计值，为本节点k的中间估计值，/>为本次迭代中数值最小的第一偏差对应的相邻节点的含噪中间估计值；
所述数值最大的第一偏差小于等于所述检测阈值时，本节点的估计值为：
式中，k为本节点，i为本次迭代次数，wk(i)为本节点k的估计值，为本节点k的中间估计值，ak为本节点k对应的预设结合系数，alk为第l个相邻节点对应的预设结合系数，且满足/> 为本节点k的相邻节点的集合，/>为第l个相邻节点的含噪中间估计值。
6.一种电子设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的分布式网络未知参数估计方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的分布式网络未知参数估计方法。
CN202211566352.4A 2022-12-07 2022-12-07 分布式网络未知参数估计方法、装置及电子设备 Active CN116055340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211566352.4A CN116055340B (zh) 2022-12-07 2022-12-07 分布式网络未知参数估计方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211566352.4A CN116055340B (zh) 2022-12-07 2022-12-07 分布式网络未知参数估计方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116055340A CN116055340A (zh) 2023-05-02
CN116055340B true CN116055340B (zh) 2023-10-03

Family

ID=86130368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211566352.4A Active CN116055340B (zh) 2022-12-07 2022-12-07 分布式网络未知参数估计方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116055340B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113381731A (zh) * 2020-06-22 2021-09-10 沈阳工业大学 一种针对非高斯噪声的扩散式变步长自适应参数估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8462892B2 (en) * 2010-11-29 2013-06-11 King Fahd University Of Petroleum And Minerals Noise-constrained diffusion least mean square method for estimation in adaptive networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113381731A (zh) * 2020-06-22 2021-09-10 沈阳工业大学 一种针对非高斯噪声的扩散式变步长自适应参数估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Diffusion Bias-Compensation RLS Estimation Over Noisy Node-Specific Networks;Chenxue Zheng等;《Circuits, Systems, and Signal Processing》;全文 *
Distributed bias-compensated normalized least-mean squares algorithms with noisy input;Lu Fan;《SCIENCE CHINA》;全文 *
Robust Diffusion Adaptive Networks with Noisy Link and Input;Chen Zhu;《Proceedings of the 41st Chinese Control Conference》;全文 *
有噪输入输出动态系统辨识方法;贾丽娟等;《北京理工大学学报》;全文 *

Also Published As

Publication number Publication date
CN116055340A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN114124033A (zh) 卡尔曼滤波器的实现方法、装置、存储介质和设备
CN110121171B (zh) 基于指数平滑法和灰色模型的信任预测方法
CN110032706A (zh) 一种低阶时滞系统的两阶段参数估计方法及系统
Zandavi et al. State estimation of nonlinear dynamic system using novel heuristic filter based on genetic algorithm
CN115455745A (zh) 自适应频点采样的扫频方法、系统及相关设备
CN116055340B (zh) 分布式网络未知参数估计方法、装置及电子设备
CN114186518A (zh) 一种集成电路良率估算方法及存储器
CN111625766A (zh) 广义延拓逼近滤波方法、存储介质及处理器
CN113793076B (zh) 一种风险池动态监测方法、系统、设备和可读存储介质
CN113051854B (zh) 基于硬件结构感知的自适应学习式功率建模方法与系统
JP7477859B2 (ja) 計算機、計算方法及びプログラム
CN114759904A (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
JP6172316B2 (ja) 混合モデリングのための初期化方法及び初期化システム
CN110727913B (zh) 基于信号相关矩阵的信号模型阶数估计方法
CN109388784A (zh) 最小熵核密度估计器生成方法、装置和计算机可读存储介质
CN111767980B (zh) 模型优化方法、装置及设备
CN110910242B (zh) 区块链生成方法、装置、终端设备及存储介质
CN111767204B (zh) 溢出风险检测方法、装置及设备
Benala et al. Software effort estimation using functional link neural networks optimized by improved particle swarm optimization
CN115937253A (zh) 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备
CN111144665A (zh) 一种优化热负荷预测方法及装置
CN117544310A (zh) 一种改进的椭圆曲线点乘方法和相关装置
CN117092605A (zh) 基于支持向量回归和分位数的雷达海杂波形状参数估计方法
Kropotov Methods for acoustic signals probability density models estimation in telecommunications audio exchange systems

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