基于Gossip算法的无线传感器网络分布式参数场估计

发布时间：2017-09-03 13:27

  本文关键词：基于Gossip算法的无线传感器网络分布式参数场估计

  更多相关文章： 参数估计 压缩感知 Gossip算法

【摘要】：如今,无线传感器网络规模越来越大,节点数目不断增多且分布范围越发广泛。在这样大规模的分布式网络中,传统的集中式通信方式已再不适用,而分布式信号处理技术却是解决分布式网络中问题的最佳选择方案。在实际应用中,研究人员通常需要获得监测区域内某参数的整体分布图,以便了解监测区域参数场的整体分布情况。目前,国外的研究团队提出了将Gossip算法与压缩感知算法结合的解决方案。利用压缩感知算法对节点采集的离散参数值进行稀疏压缩。之后通过Gossip算法完成节点间的稀疏信号的交换和数据更新过程。最终,研究人员只要访问网络中任何一个节点的数据都可以重构和估计出原始参数场的分布情况。本论文针对分布式参数场估计问题中涉及到的压缩感知算法和Gossip算法进行了理论分析和研究。首先对压缩感知算法中的三个方面:信号的稀疏变换、测量矩阵的构造和稀疏信号重构问题分别进行了分析。重点研究了分布式网络数据稀疏变换矩阵的构造,以及梯度投影重构算法。之后,对Gossip共识算法进行研究。讨论了平均共识问题和Gossip算法的网络结构及时间模型。对成对Gossip算法的收敛性进行了证明,并且分析其收敛速度的上下界。除此之外,对收敛速度更快的无偏广播Gossip算法进行理论研究,证明其在期望上及二阶矩上的收敛性。在上述理论研究基础上,本论文提出了基于无偏广播Gossip算法的分布式参数场估计改进方案。改进方法利用信道的广播特性,提高了算法的计算速度,节约了计算时间。同时,本论文创新性地将这些理论应用于电磁场信号接收功率强度识别问题方面。通过仿真实验对算法性能进行验证和分析。通过仿真分析可以看出由于使用了收敛速度更快的Gossip算法,改进算法的计算时间更短,效率更高。同时,改进算法在很少的迭代次数下仍可以到达到参数重构精度要求,重构精度不受影响。通过理论分析和仿真实验都验证了改进算法在解决平滑参数场、有噪参数场和电磁场等不同环境中参数重构和估计问题的可行性,表现出计算速度快,重构精度满足应用要求的优点。综上所述,本文提出的改进算法在实时性及精度要求都很高的分布式参数场估计应用中具有实际参考价值。
【关键词】：参数估计 压缩感知 Gossip算法
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN929.5;TP212.9
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-17
• 1.1 课题背景及研究的目的和意义9-11
• 1.1.1 分布式信号处理问题概述9-10
• 1.1.2 平滑参数场的估计10-11
• 1.1.3 电磁信号接收功率强度识别11
• 1.2 国内外在该方向的研究现状及分析11-15
• 1.2.1 传感器网络分布式信号处理方法研究现状11-12
• 1.2.2 Gossip算法研究现状12-14
• 1.2.3 分布式压缩感知算法研究现状14-15
• 1.3 本文的主要工作和内容安排15-17
• 第2章 基于分布式网络数据的压缩感知算法17-29
• 2.1 引言17
• 2.2 压缩感知算法基本理论17-20
• 2.2.1 信号稀疏变换17-18
• 2.2.2 构建测量矩阵18-19
• 2.2.3 稀疏信号重构19-20
• 2.3 网络数据的稀疏变换20-23
• 2.3.1 空间压缩20-21
• 2.3.2 图小波21
• 2.3.3 扩散小波21-23
• 2.4 梯度投影重构算法23-28
• 2.4.1 GPSR-Basic算法24-25
• 2.4.2 GPSR-BB算法25-26
• 2.4.3 性能仿真26-28
• 2.5 本章小结28-29
• 第3章 基于随机几何图的GOSSIP算法29-46
• 3.1 引言29
• 3.2 GOSSIP算法基本理论29-31
• 3.2.1 分布式平均共识29-30
• 3.2.2 Gossip算法网络结构和时间模型30-31
• 3.3 成对GOSSIP算法31-37
• 3.3.1 成对Gossip算法原理32-33
• 3.3.2 成对Gossip算法在期望上的收敛性33
• 3.3.3 成对Gossip算法在二阶矩上的收敛性33-35
• 3.3.4 成对Gossip算法的收敛速度35-37
• 3.4 无偏广播GOSSIP算法37-42
• 3.4.1 无偏广播Gossip算法原理38-39
• 3.4.2 无偏广播Gossip算法在期望上的收敛性39-40
• 3.4.3 无偏广播Gossip算法在二阶矩上的收敛性40-42
• 3.5 性能仿真42-45
• 3.6 本章小结45-46
• 第4章 基于GOSSIP算法的分布式参数场估计46-67
• 4.1 引言46
• 4.2 算法流程46-47
• 4.3 分布式平滑参数场估计47-60
• 4.3.1 基于成对Gossip算法参数场估计的仿真与分析48-55
• 4.3.2 基于UBGA算法的平滑参数场估计仿真与分析55-58
• 4.3.3 算法性能比较58-60
• 4.4 分布式电磁场接收信号功率强度识别与估计60-66
• 4.4.1 电磁场接收信号功率强度分布模型60-63
• 4.4.2 算法性能仿真63-66
• 4.5 本章小结66-67
• 结论67-68
• 参考文献68-73
• 攻读硕士学位期间发表的论文及其它成果73-75
• 致谢75

【相似文献】

中国期刊全文数据库 前10条

1 许道云;;全息算法的原理及应用[J];计算机科学与探索;2011年02期

2 段海滨,王道波,朱家强,黄向华;蚁群算法理论及应用研究的进展[J];控制与决策;2004年12期

3 段海滨;王道波;于秀芬;;几种新型仿生优化算法的比较研究[J];计算机仿真;2007年03期

4 刘永广;叶梧;冯穗力;;一种基于非线性长度的多约束路由算法[J];计算机应用研究;2008年11期

5 刘永广;叶梧;冯穗力;;一种基于蚁群算法和非线性长度的多约束路由算法[J];通信技术;2009年08期

6 刘振;胡云安;;一种多粒度模式蚁群算法及其在路径规划中的应用[J];中南大学学报(自然科学版);2013年09期

7 罗景峰;;智能算法求解效果评价的物元模型[J];微电子学与计算机;2011年04期

8 刘芳,李阳阳;量子克隆进化算法[J];电子学报;2003年S1期

9 周雅兰;;细菌觅食优化算法的研究与应用[J];计算机工程与应用;2010年20期

10 胡红莉;张建州;;螺旋锥束CT重建的近似逆算法[J];计算机工程与应用;2011年21期

中国重要会议论文全文数据库 前1条

1 董家瑞;王精业;潘丽君;;改进的Dijksta算法在装备保障系统中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

中国博士学位论文全文数据库 前9条

1 高卫峰;人工蜂群算法及其应用的研究[D];西安电子科技大学;2013年

2 张捷;进化算法及智能数据挖掘若干问题研究[D];西安电子科技大学;2013年

3 程世娟;改进蚁群算法及其在结构系统可靠性优化中的应用[D];西南交通大学;2009年

4 杨振宇;基于自然计算的实值优化算法与应用研究[D];中国科学技术大学;2010年

5 郭庆昌;均值移动算法及在图像处理和目标跟踪中的应用研究[D];哈尔滨工程大学;2008年

6 金劲;群集智能算法在网络策略中的研究及其应用[D];兰州理工大学;2011年

7 郑乐;宽频带雷达目标跟踪理论与算法研究[D];北京理工大学;2015年

8 刘剑;非圆信号波达方向估计算法研究[D];国防科学技术大学;2007年

9 张瑞秋;面向SMT的锥束CT图像重构关键理论与BGA焊点检测算法[D];华南理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 黄林;空间复用MIMO系统接收端的球形译码检测算法研究[D];宁夏大学;2015年

2 牛丽娟;基于Gossip算法的无线传感器网络分布式参数场估计[D];哈尔滨工业大学;2015年

3 叶军;混合分布估算算法的研究与应用[D];苏州大学;2007年

4 张惠萍;基于蚁群算法的数据分类方法研究[D];山西大学;2008年

5 孟岩;连续空间蚁群算法研究及在工业过程控制中的应用[D];山东师范大学;2009年

6 叶宝林;分布估计算法的一种改进与应用[D];太原科技大学;2011年

7 赵朝卿;蚁群算法的改进及其应用[D];重庆大学;2008年

8 杨春夏;基于人工植物算法求解随机规划[D];太原科技大学;2012年

9 欧阳涛;物流车辆路径问题算法研究[D];吉林大学;2011年

10 刘道;结余分配策略蚁群算法[D];东北大学;2008年

，

本文编号：785274