本发明属于分布式自适应滤波领域,主要涉及基于分布式的扩散自适应算法优化,具体为一种分布式自适应组合系数优化方法。
背景技术:
基于分布式网络的算法日渐流行,已发展成为一种节能、高效的信号处理技术;它仅利用各节点所能直接获取到的局部信息进行网络内的协作,由此进一步解决整个网络的问题。相比于集中式的算法而言,有着更节省资源、更高稳健性等特点,且提高了网络的可扩展性,因此被广泛运用于环境监测、参数估计等各类领域中。
基于分布式的参数估计算法在各类环境下均有所适用,具有高鲁棒性、可扩展性、需求能耗较低等优势。目前,已经有许多学者研究提出了数种分布式在线参数估计算法,包括增量lms算法、增量rls算法、扩散卡尔曼滤波算法、扩散lms算法等。
下面给出基于自适应和结合(atc)结构的扩散lms算法:
考虑一个包含n个节点的网络,记节点k在t时刻的量测信号为dk(t),
其中,{·}h表示对矩阵或向量求共轭转置,vk(t)为一零均值随机高斯白噪声、其方差为
记节点k的邻域节点及其自身所组成的集合为
其中,k=1,2,...,n,μk>0为节点k的自适应迭代步长;ψk(t)代表节点k的中间权向量估计;组合系数al,k为组合矩阵a的第(l,k)个元素,表示了在节点k自适应迭代过程时,邻域节点l的中间权向量估计所占有的权重。
如何选择合适的加权组合系数往往对分布式的算法的性能有着相当的影响。数年前,alih.sayed在其文章“diffusionleast-mean-squaresoveradaptivenetworks:formulationandperformanceanalysis”中提出了均匀组合系数(uniform组合准则);后来人们又相继提出了中心组合系数(metropolis组合准则)与最大度组合系数(maximum-degree组合准则)等数种不同的组合准则;这些准则分别适用于不同的环境,但它们都属于固定组合准则,其组合系数仅仅取决于既定的网络拓扑结构,一旦网络拓扑结构确定下来,各节点之间的组合权重也随之确定,因此无法根据节点所接收到的实际信号的情况而进行自适应的调整。
为了解决这个问题,后来的学者们提出了使组合系数在线自适应迭代优化的方法;这种方法能使组合系数利用实时所接收到的信号的统计特性进行自适应的调整,以此在某种意义下达到最佳组合的处理目的。2010年,alih.sayed在文章“diffusionleast-meansquareswithadaptivecombiners:formulationandperformanceanalysis”中,提出了一种将正交投影和最陡下降法相结合的自适应组合系数的策略,以下简称此方法为“经典自适应组合系数方法”;2011年,alih.sayed又在文章“optimalcombinationrulesforadaptationandlearningovernetworks”中提出了一种自适应的组合系数策略,首先对节点的噪声方差进行自适应估计,再利用自适应估计的方差计算相应的组合系数,以此达到自适应优化组合系数的目的,以下简称此方法为“最优自适应组合系数方法”;基于此,本发明提供一种新的分布式自适应组合系数优化方法。
技术实现要素:
本发明的目的在于提供一种分布式自适应组合系数优化方法,适用于求解组合系数在非负约束条件下的自适应优化问题,进而改善各类分布式算法的稳态性和鲁棒性。
为实现上述目的,本发明采用的技术方案如下:
一种分布式自适应组合系数优化方法,包括以下步骤:
步骤1:针对节点k,实时获取其t时刻的回归向量uk(t)及量测信号dk(t);
步骤2:一步迭代更新节点k的中间权向量估计ψk(t):
其中,wk(t-1)为t-1时刻的权向量估计值,μk为节点k的迭代步长;
步骤3:获取各邻域节点的中间权向量估计ψl(t),
步骤4:令ψk(t)=[ψ1(t),…,ψn(t)]pk,其中,
其中,λ为遗忘因子:λ∈(0,1),δψk(t)=ψk(t)-ψk(t-1);
步骤5:计算增量
其中,
步骤6:计算步长ηk(t):
其中,α为步长因子:α∈(0,1),小常数ε>0、以保证组合系数的非负性;min(·)表示取向量中最小的元素,||·||∞表示求向量的无穷范数;
步骤7:计算组合系数
bk(t)=bk(t-1)-ηk(t)gk(t)
步骤8:将上步骤所得的rk维组合系数向量
进行lms算法中的后续组合步骤:
本发明的有益效果在于:提供一种分布式自适应组合系数优化方法,具有如下优点:
1.本发明能够将有约束最小化均方偏差问题转化成无约束最优化问题,使得组合系数向量每一步迭代都满足算法约束条件;
2.相比经典的固定组合系数方法,本发明能够实时更新自适应组合系数,使得算法每一步迭代都沿着最优的方向进行,因此具有显著的稳态性能优势;
3.本发明能够达到与经典自适应组合系数相同的收敛速度,且本发明的稳态性能更好;
4.本发明能够达到与最优自适应组合系数相同的稳态性能,且本发明的收敛速度更快;
5.本发明能够通过选择不同的正定对角矩阵
附图说明
图1为经典扩散lms算法的实施步骤流程图。
图2为本发明方法进行自适应组合系数优化的核心步骤流程图;
图3、4为本发明实施例中节点网络拓扑图a、拓扑图b。
图5为本发明实施例中各节点的回归矢量功率水平分布图。
图6为本发明实施例中各节点的量测噪声方差水平分布图。
图7、8为本发明实施例中本发明方法和其他组合系数算法的均方偏差学习曲线对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明提出一种分布式自适应组合系数优化方法,基于如图1所示的经典扩散lms算法,给出本发明方法的具体流程图如图2所示;如图1所示的经典扩散lms算法中的优化组合系数ak(t)步骤为本发明方法的核心内容,其详细流程如图2所示,在由n个节点组成的网络中,每一个节点k上的具体过程如下:
步骤1:初始化节点k的权向量估计值wk(0)=0,中间估计量ψk(0)=0,
步骤2:实时获得节点k的回归向量uk(t)及量测信号dk(t);
步骤3:进行一步自适应迭代更新节点k的中间权向量估计ψk(t):
其中,wk(t-1)为t-1时刻的权向量估计值,μk为节点k的迭代步长;
步骤4:获取各邻域节点的中间权向量估计ψl(t),
步骤5:令ψk(t)=[ψ1(t),…,ψn(t)]pk,其中,
其中,遗忘因子λ∈(0,1),δψk(t)=ψk(t)-ψk(t-1);
步骤6:计算增量
其中,
步骤7:计算步长ηk(t):
其中,α∈(0,1),小常数ε>0,以保证组合系数的非负性,min(·)表示取向量中最小的元素,||·||∞表示求向量的无穷范数;
步骤8:计算组合系数
bk(t)=bk(t-1)-ηk(t)gk(t)
步骤9:将上步骤所得的rk维组合系数向量
进行lms算法中的后续组合步骤:
步骤10:转回步骤2,执行下一时刻的迭代。
仿真测试:
仿真1:15个节点互连的网络,每个节点独立获取回归矢量uk(t)和量测信号dk(t),待估参数权向量长度m=5,网络拓扑图如图3所示,各节点回归矢量和量测噪声的方差分布如图5、6所示,atc算法各节点步长分别为μk=0.01,k=1,2,..,n,本发明自适应组合系数算法步长因子α=0.5,遗忘因子λ=0.9,正定对角阵
如图7所示,和经典的固定式均匀组合系数(uniform准则)及中心组合系数(metropolis准则)相比,本发明方法有着显著的稳态性能优势;从仿真结果上看,本发明方法在达到与经典自适应组合系数方法一致的收敛速度时,拥有着更好的稳态性能;在达到与最优自适应组合系数方法相同的稳态性能的条件下,本发明方法能够更快地收敛至稳态。
仿真2:15个节点互连的网络,每个节点独立获取回归矢量和量测信号,待估参数权向量长度m=5,网络拓扑图如图4所示,各节点回归矢量和量测噪声的方差分布如图5、6所示,atc算法各节点步长分别为μk=0.01,k=1,2,..,n,本发明自适应组合系数算法步长因子α=0.3,遗忘因子λ=0.7,正定对角阵
和仿真1相比,本仿真采用更稀疏的网络,如图8所示,和经典的固定式均匀组合系数(uniform准则)及中心组合系数(metropolis准则)相比,本发明方法仍然有着显著的稳态性能优势;同样地,从仿真结果上看,本发明方法在达到与经典自适应组合系数方法一致的收敛速度时,拥有着更好的稳态性能;在达到与最优自适应组合系数方法相同的稳态性能的条件下,本发明方法能够更快地收敛至稳态。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。