無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensor Networks,WSNs）通常由大量具有集成感知、信號(hào)處理和通信能力的微小型傳感器節(jié)點(diǎn)組成,各個(gè)節(jié)點(diǎn)能夠協(xié)同地對(duì)感興趣的物理信息進(jìn)行采集、分析和傳輸,在目標(biāo)跟蹤、目標(biāo)定位以及環(huán)境監(jiān)測(cè)等領(lǐng)域有著廣泛的應(yīng)用�；赪SNs的應(yīng)用問(wèn)題通�？梢詺w結(jié)為基于WSNs的參數(shù)估計(jì)問(wèn)題。通常情況下,各傳感器節(jié)點(diǎn)將感知的信息發(fā)送給融合中心,融合中心利用接收到的數(shù)據(jù),設(shè)計(jì)相應(yīng)的算法,分析和處理這些數(shù)據(jù),從而獲得未知參數(shù)的估計(jì)。然而,由于每個(gè)傳感器節(jié)點(diǎn)的感知精度、計(jì)算和通信能力、存儲(chǔ)容量都有限,這給基于WSNs的參數(shù)估計(jì)算法設(shè)計(jì)帶來(lái)較大的挑戰(zhàn)。為了避免大比特量的信息傳輸導(dǎo)致節(jié)點(diǎn)較多的能量消耗和較大的通信負(fù)載,論文考慮將每個(gè)傳感器節(jié)點(diǎn)的采樣信號(hào)值壓縮到1比特信息后,再傳輸?shù)饺诤现行倪M(jìn)行集中處理;另外,為了更好地適應(yīng)實(shí)際環(huán)境,論文考慮節(jié)點(diǎn)的采樣信號(hào)同時(shí)包含加性噪聲和乘性噪聲。結(jié)合這些問(wèn)題,論文提出一種基于期望最大化（Expectation Maximization,EM）的單比特最大似然估計(jì)算法,該算法能夠獲得與基于模擬測(cè)量值（無(wú)線比特精度）的最大似然估計(jì)（Maxi... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 無(wú)線傳感器網(wǎng)絡(luò)概述
        1.2.1 無(wú)線傳感器網(wǎng)絡(luò)類(lèi)型
        1.2.2 無(wú)線傳感器網(wǎng)絡(luò)特點(diǎn)
    1.3 論文主要研究?jī)?nèi)容
        1.3.1 論文主要工作
        1.3.2 論文章節(jié)安排
第2章 乘性噪聲環(huán)境下集中式單比特參數(shù)估計(jì)算法
    2.1 傳感器網(wǎng)絡(luò)信號(hào)模型
    2.2 基于閾值優(yōu)化的最大似然估計(jì)算法
        2.2.1 統(tǒng)計(jì)可識(shí)別性和Cramér-Rao下界
        2.2.2 最佳近似閾值τ_(app)
        2.2.3 最大似然估計(jì)
    2.3 基于EM的最大似然估計(jì)算法
    2.4 性能仿真及結(jié)果
    2.5 本章小結(jié)
第3章 乘性噪聲環(huán)境下集中式單比特自適應(yīng)參數(shù)估計(jì)算法
    3.1 傳感器網(wǎng)絡(luò)信號(hào)模型
    3.2 基于采樣信號(hào){x_k}的最大似然自適應(yīng)參數(shù)估計(jì)算法
    3.3 基于單比特?cái)?shù)據(jù){y_k}的自適應(yīng)最大似然估計(jì)算法
        3.3.1 最大似然估計(jì)
        3.3.2 方程求解
        3.3.3 單比特自適應(yīng)算法
    3.4 改進(jìn)的單比特自適應(yīng)RLS算法
        3.4.1 參數(shù)估計(jì)模型替換
        3.4.2 單比特自適應(yīng)RLS參數(shù)估計(jì)算法總結(jié)
        3.4.3 改進(jìn)的單比特自適應(yīng)RLS參數(shù)估計(jì)算法
    3.5 性能仿真和結(jié)果
    3.6 本章小結(jié)
第4章 乘性噪聲環(huán)境下分布式單比特自適應(yīng)參數(shù)估計(jì)算法
    4.1 傳感器網(wǎng)絡(luò)信號(hào)模型
    4.2 基于閾值優(yōu)化的自適應(yīng)最大似然估計(jì)算法
    4.3 基于EM的自適應(yīng)最大似然估計(jì)算法
        4.3.1 基于采樣信號(hào)值x_(ki)的分布式EM-MLE算法
        4.3.2 基于1 比特值d_(ki_的分布式EM-MLE算法
    4.4 性能仿真及結(jié)果
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 全文總結(jié)
    5.2 未來(lái)展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]無(wú)線傳感網(wǎng)絡(luò)低比特量傳輸?shù)淖赃m應(yīng)RLS參數(shù)估計(jì)[J]. 劉江峰,劉兆霆,姚英彪.  傳感技術(shù)學(xué)報(bào). 2019(09)
[2]二值傳感器網(wǎng)絡(luò)的分布式稀疏LMS算法[J]. 王文博,姚英彪,劉兆霆.  信號(hào)處理. 2019(01)
[3]基于傳感器網(wǎng)絡(luò)的1比特RLS算法[J]. 彭秋燕,劉兆霆,姚英彪.  傳感技術(shù)學(xué)報(bào). 2018(12)
[4]無(wú)線傳感器網(wǎng)絡(luò)綜述[J]. 吳瑞睿,劉潔琳.  科技創(chuàng)新與應(yīng)用. 2018(14)
[5]Distributed incremental bias-compensated RLS estimation over multi-agent networks[J]. Jian LOU,Lijuan JIA,Ran TAO,Yue WANG.  Science China（Information Sciences）. 2017(03)
[6]無(wú)線傳感器網(wǎng)絡(luò)中基于多比特量化的極大似然分布式估計(jì)方法[J]. 郭黎利,高飛,孫志國(guó).  電子學(xué)報(bào). 2016(11)

博士論文
[1]魯棒融合Kalman濾波及其在信號(hào)處理中的應(yīng)用研究[D]. 楊智博.黑龍江大學(xué) 2018

碩士論文
[1]分布式LMS算法研究[D]. 徐暢.沈陽(yáng)工業(yè)大學(xué) 2019



本文編號(hào)：3260962