參數(shù)估計(jì)是信號(hào)處理領(lǐng)域中的關(guān)鍵問(wèn)題,通過(guò)來(lái)自其他的觀測(cè)量,間接確定未知參數(shù)。無(wú)線傳感器網(wǎng)絡(luò)中分布式估計(jì)已經(jīng)成為非常流行的參數(shù)估計(jì),目的是使節(jié)點(diǎn)能夠從觀測(cè)數(shù)據(jù)中以分布式方式估計(jì)出感興趣的參數(shù)向量。自適應(yīng)網(wǎng)絡(luò)中的分布式估計(jì)策略可以主要分為增量策略,一致性策略和擴(kuò)散策略。在增量策略中,數(shù)據(jù)通過(guò)網(wǎng)絡(luò)以循環(huán)方式處理。一致性策略依賴于多個(gè)相鄰節(jié)點(diǎn)的中間估計(jì)的融合。在擴(kuò)散策略中,數(shù)據(jù)在所有節(jié)點(diǎn)進(jìn)行處理,而節(jié)點(diǎn)與所有鄰居節(jié)點(diǎn)通過(guò)以分享其中間估計(jì)進(jìn)行通信。因?yàn)閿U(kuò)散策略具有好的魯棒性、靈活性和完全分布式等特點(diǎn),使其特別有吸引力,例如擴(kuò)散最小均方（DLMS）算法。在本文中,我們關(guān)注擴(kuò)散估計(jì)策略。當(dāng)信號(hào)被非高斯噪聲干擾時(shí),分布式估計(jì)的性能會(huì)嚴(yán)重降低。非高斯噪聲可能是自然原因造成的,例如大氣現(xiàn)象;也可能是人為因素造成的,例如操作環(huán)境中存在的電機(jī)或多路電信信號(hào)。最近,一些研究人員致力于提高在非高斯噪聲環(huán)境中分布式估計(jì)算法的魯棒性。這些努力主要是為了尋找更強(qiáng)大的代價(jià)函數(shù)來(lái)替代均方誤差（MSE）準(zhǔn)則,該準(zhǔn)則只有在測(cè)量噪聲為高斯噪聲時(shí)才是最優(yōu)�；谧钚≌`差熵（MEE）方法的誤差熵準(zhǔn)則也顯示出其能夠在非高斯噪聲下實(shí)現(xiàn)比均... 

【文章來(lái)源】：西南大學(xué)重慶市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

單參數(shù)EIV模型的MEE估計(jì)這里R,He表示瑞利誤差熵，.ep是誤差概率密度函數(shù)（pdf），當(dāng)1時(shí)，瑞利誤差熵接近著名的香農(nóng)熵log

具有不同值的值

(c) (d)圖 2.3 最優(yōu)解MEEw ，TLSw ，MMSEw 以及在0w 之間的區(qū)域：(a)具有不同22,u 22,v =200）值的單峰情況；(b)具有不同22,v （22,=400u ）值的單峰情況；(c)具有不同u （ 5v ）的多模態(tài)情況；(d)具有不同v （ 20u ）的多模態(tài)情況其次，在圖 2.4 中展顯了解決方案將如何受到異常值出現(xiàn)概率（即 和 ）的響，并且 ， N 500。從圖 2.4 中可以看出：（1）當(dāng) 小于一定值（例如， 0.4）時(shí)，MEE 解將是非常準(zhǔn)確的（幾乎有偏差）；（2）同時(shí)，隨著 的增加，MMSE 和 TLS 解決策略將會(huì)變得更糟。特別是，使 很小（在這種情況下，異常值非常稀疏），MMSE 解決策略也會(huì)顯著偏離真值；


本文編號(hào)：3128787