CN111194048A - 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 PDFInfo
- Publication number
- CN111194048A CN111194048A CN201910585781.8A CN201910585781A CN111194048A CN 111194048 A CN111194048 A CN 111194048A CN 201910585781 A CN201910585781 A CN 201910585781A CN 111194048 A CN111194048 A CN 111194048A
- Authority
- CN
- China
- Prior art keywords
- parameter estimation
- parameter
- value
- bit
- equivalent 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims abstract description 6
- 239000000654 additive Substances 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 12
- 238000005562 fading Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
Description
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;
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。
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
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)
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;
作为上述方案的一种优选方案,所述步骤S4中参数估计值
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
S22:建立M步(maximization)求极大值公式
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)
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。
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:
可得
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
因此可得
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在上述仿真中设置未知参数的真实值θ0=1,阈值τ=1.7,子图(a)和子图(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,子图(c)和子图(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 (6)
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。
5.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;
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 true CN111194048A (zh) | 2020-05-22 |
CN111194048B 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) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055815A (zh) * | 2021-03-10 | 2021-06-29 | 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 |
CN113194049A (zh) * | 2021-04-14 | 2021-07-30 | 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 (8)
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 |
US20170118117A1 (en) * | 2014-06-19 | 2017-04-27 | Convida Wireless, Llc | Context-aware content publication and resolution |
US20170270941A1 (en) * | 2016-03-15 | 2017-09-21 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Encoding apparatus for processing an input signal and decoding apparatus for processing an encoded signal |
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 |
-
2019
- 2019-07-01 CN CN201910585781.8A patent/CN111194048B/zh not_active Expired - Fee Related
Patent Citations (8)
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 |
US20170118117A1 (en) * | 2014-06-19 | 2017-04-27 | Convida Wireless, Llc | Context-aware content publication and resolution |
US20170270941A1 (en) * | 2016-03-15 | 2017-09-21 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Encoding apparatus for processing an input signal and decoding apparatus for processing an encoded signal |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055815A (zh) * | 2021-03-10 | 2021-06-29 | 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 |
CN113194049A (zh) * | 2021-04-14 | 2021-07-30 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111194048B (zh) | 2022-12-06 |
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 | |
CN111194048B (zh) | 一种基于em的1比特参数估计方法 | |
CN112910811B (zh) | 基于联合学***未知条件下的盲调制识别方法和装置 | |
CN109039720B (zh) | 一种针对二值传感器网络的参数估计方法 | |
CN110611626B (zh) | 信道估计方法、装置及设备 | |
CN105071961B (zh) | 一种Web服务的服务质量预测方法和装置 | |
CN105207959B (zh) | 一种miso-ofdm***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 | |
Aysal et al. | Blind decentralized estimation for bandwidth constrained wireless sensor networks | |
CN111666533B (zh) | 一种低能耗分布式图信号采样重建方法 | |
CN110113084B (zh) | Mimo闭环传输***的信道预测方法 | |
CN111030644B (zh) | 一种非线性网络化控制***的有限时间耗散滤波方法 | |
CN115424079B (zh) | 基于联邦边缘学习的图像分类方法以及相关设备 | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
CN107315918B (zh) | 一种利用噪声提高稳健估计的方法 | |
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 | |
CN107426748B (zh) | 一种无线网络控制***中多传感器估计性能方法 | |
CN102638846B (zh) | 一种基于最优量化策略的wsn通信负载降低方法 | |
CN110912843A (zh) | 大规模无线传感器网络中的分布式盲估计方法及*** | |
Shirazi et al. | Bayesian cramer-rao bound for distributed vector estimation with linear observation model | |
Harel et al. | Non-Bayesian estimation with partially quantized observations | |
Chakravorty et al. | On the optimal thresholds in remote state estimation with communication costs | |
CN108400948B (zh) | 一种环境自适应感知无线通信信道估计与信号重构方法 | |
CN113711496A (zh) | 削波信号的重构 | |
Gez et al. | Subgradient descent learning with over-the-air computation |
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 |