一种鲁棒的稀疏多任务自适应系统及迭代方法技术方案

本发明专利技术公开了一种鲁棒的稀疏多任务自适应系统，包括：节点邻域子集选取模块，用于选取自适应系统中每个节点进行参数向量更新时需要用到的节点邻域子集；抗脉冲噪声干扰模块，用于对自适应系统节点的数据进行符号运算；l0范数和簇相似性约束模块，用于加快自适应系统估计未知参数向量时的收敛速度；参数向量估计模块，用于更新参数向量的估计值。采用多任务的拓扑结构、抗脉冲噪声干扰、l0范数和簇相似性约束和参数向量估计来更新自适应系统的各个节点权值系数向量，既能提高估计稀疏参数向量时的收敛速度，又能在处理多任务时保持较低的稳态失调。

A robust sparse multitask adaptive system and iterative method

The invention discloses a robust sparse multitask adaptive system, including the node neighborhood subset selection module, which is used to select the node neighborhood subset of each node in the adaptive system when the parameter vectors are updated, and the anti impulse noise interference module is used to sign the data of the self adaptable system nodes. The l0 norm and cluster similarity constraint module are used to speed up the convergence speed of the adaptive system to estimate the unknown parameter vector, and the parameter vector estimation module is used to update the estimated value of the parameter vector. The multi task topology, anti impulse noise interference, l0 norm and cluster similarity constraint and parameter vector estimation are used to update the weight coefficient vectors of each node of the adaptive system, which can not only improve the convergence speed of estimation of sparse parameter vectors, but also hold low steady-state maladjustment when dealing with multitask.

【技术实现步骤摘要】
一种鲁棒的稀疏多任务自适应系统及迭代方法
本专利技术涉及自适应系统设计
，具体地涉及一种鲁棒的稀疏多任务自适应系统及迭代方法。
技术介绍
扩散式最小均方(DLMS)[CattivelliFS,SayedAH.DiffusionLMSstrategiesfordistributedestimation.IEEETransactionsonSignalProcessing,2010,58(3):1035-1048]和扩散式仿射投影(DAPA)[LiLei-lei,LopesCG.Distributedestimationoveranadaptiveincrementalnetworkbasedontheaffineprojectionalgorithm.IEEETransactionsonSignalProcessing,2010,58(1):151-164]自适应系统在无线传感器网络等领域具有广泛应用。稳态失调和收敛速度是评价自适应系统性能的两个主要性能指标。稳态失调决定了逼近未知系统所能达到的精度，而收敛速度决定了自适应系统逼近未知系统需要的时间。影响自适应系统的稳态失调的因素包括受到脉冲噪声干扰、多任务拓扑环境等。当自适应系统的输入端受脉冲噪声干扰时，DLMS和DAPA自适应系统的稳态失调会增大，甚至发散。采用取符号运算的扩散式仿射投影符号(DAPSA)自适应系统[倪锦根,马兰申.抗脉冲干扰的分布式仿射投影符号算法.电子学报,2016,7(44):1555-1560]，能够大大减少脉冲噪声对自适应系统的干扰，既保持了较快的收敛速度，又能获得较低的稳态失调。上述网络主要适用于所有节点估计相同参数向量的单任务网络，当网络需要估计多个参数向量时(即多任务网络)，使用上述网络会产生较大偏差和非常大的稳态失调。为了获得更低的稳态失调，需要设计一种适用于多任务参数向量估计且具有抗脉冲干扰能力的自适应系统。在自适应系统文献中，网络的抗脉冲干扰能力也称之为网络是鲁棒的。此外，影响自适应系统的收敛速度的原因之一是未知系统向量的稀疏度。一个未知系统，其接近或等于0的系数越多，则其稀疏度越高；反之，其稀疏度越低。当未知系统稀疏度很高时，传统的DLMS和DAPSA的收敛速度十分缓慢。
技术实现思路
为了解决现有技术存在的问题，本专利技术目的是：提供一种鲁棒的稀疏多任务自适应系统，采用多任务的拓扑结构、抗脉冲噪声干扰、l0范数和簇相似性约束和参数向量估计来更新自适应系统的各个节点权值系数向量，既能提高估计稀疏参数向量时的收敛速度，又能在处理多任务时保持较低的稳态失调。本专利技术的技术方案是：一种鲁棒的稀疏多任务自适应系统，包括：一节点邻域子集选取模块，根据网络拓扑结构的节点n的邻域Nn和该节点所在的簇Cn，得到交集Nn∩Cn和差集Nn\Cn，计算自适应参数cl,n和联合参数al,n；一抗脉冲噪声干扰模块，计算抗脉冲噪声向量；一l0范数和簇相似性约束模块，估算l0范数和簇相似性约束；一参数向量估计模块，计算节点n的中间估计向量，根据中间估计向量更新参数向量。优选的技术方案中，根据和计算自适应参数cl,n和联合参数al,n。优选的技术方案中，所述抗脉冲噪声干扰模块通过节点l处的输入矩阵Ul(k)和期望向量dl(k)计算误差向量的值其中，n∈{1,2,…,N}，l∈{1,2,…,N}，wn(k-1)为节点n在k-1时刻对未知参数向量的估计值，Ul(k)＝[ul(k),ul(k-1),…,ul(k-P+1)]为节点l在k时刻的输入矩阵，P为输入向量的数据重用阶数，ul(k)＝[ul(k),ul(k-1),…,ul(k-M+1)]T为节点l在k时刻的输入信号向量，该向量由节点l的输入信号ul(k)的最近M个样值构成，M为整数，dl(k)＝[dl(k),dl(k-1),…,dl(k-P+1)]T为节点l在k时刻的期望向量，该向量由节点l的期望响应dl(k)的最近P个样值构成；根据计算抗脉冲噪声向量，其中，n∈{1,2,…,N}。优选的技术方案中，所述l0范数和簇相似性约束模块，根据计算集合Nn\Cn中节点的相似性向量，其中，τn为节点n处的约束权重参数，ρl,n为节点n和l的相似性权重参数；根据计算作用于wn(k-1)中第m个元素wn,m(k-1)的零吸引子强度值f(wn,m(k-1))；根据f(wn(k-1))＝[f(wn,0(k-1)),f(wn,1(k-1)),…,f(wn,M-1(k-1))]T形成零吸引子强度向量f(wn(k-1))，其中，β为零吸引子作用域控制参数，n∈{1,2,…,N}，m∈{1,2,…,M}。优选的的技术方案中，所述中间估计向量根据更新向量wn(k)的值，其中，μn为节点n处的步长参数，γn为零吸引子强度向量f(wn(k-1))的加权参数。本专利技术还公开了一种鲁棒的稀疏多任务自适应迭代方法，包含如下步骤：1)根据节点n的邻域Nn和该节点所处的簇Cn，计算它们的交集Nn∩Cn和差集Nn\Cn，并计算自适应参数cl,n和联合参数al,n的值；2)计算抗脉冲噪声向量；3)估算l0范数和簇相似性约束；4)计算节点n的中间估计向量，根据中间估计向量更新参数向量。优选的技术方案中，根据和计算自适应参数cl,n和联合参数al,n。优选的技术方案中，所述步骤2)包括，通过节点l处的输入矩阵Ul(k)和期望向量dl(k)计算误差向量的值其中，n∈{1,2,…,N}，l∈{1,2,…,N}，wn(k-1)为节点n在k-1时刻对未知参数向量的估计值，Ul(k)＝[ul(k),ul(k-1),…,ul(k-P+1)]为节点l在k时刻的输入矩阵，P为输入向量的数据重用阶数，ul(k)＝[ul(k),ul(k-1),…,ul(k-M+1)]T为节点l在k时刻的输入信号向量，该向量由节点l的输入信号ul(k)的最近M个样值构成，M为整数，dl(k)＝[dl(k),dl(k-1),…,dl(k-P+1)]T为节点l在k时刻的期望向量，该向量由节点l的期望响应dl(k)的最近P个样值构成；根据计算抗脉冲噪声向量，其中，n∈{1,2,…,N}。优选的技术方案中，所述步骤3)包括，根据计算集合Nn\Cn中节点的相似性向量，其中，τn为节点n处的约束权重参数，ρl,n为节点n和l的相似性权重参数；根据计算作用于wn(k-1)中第m个元素wn,m(k-1)的零吸引子强度值f(wn,m(k-1))；根据f(wn(k-1))＝[f(wn,0(k-1)),f(wn,1(k-1)),…,f(wn,M-1(k-1))]T形成零吸引子强度向量f(wn(k-1))，其中，β为零吸引子作用域控制参数，n∈{1,2,…,N}，m∈{1,2,…,M}。优选的技术方案中，所述中间估计向量根据更新向量wn(k)的值，其中，μn为节点n处的步长参数，γn为零吸引子强度向量f(wn(k-1))的加权参数。与现有技术相比，本专利技术的优点是：该自适应系统主要采用多任务拓扑的理论和符号运算的方法使得其在包含脉冲噪声的多任务环境下保持较高的稳定性，并进一步使用l0范数约束的方法使得其在估计稀疏系统时获得更好的收敛性能。利用多任务拓扑的方法可以同时处理多个不同的任务，符号运算的方法可本文档来自技高网...

【技术保护点】
1.一种鲁棒的稀疏多任务自适应系统，其特征在于，包括：节点邻域子集选取模块，用于选取所述自适应系统中每个节点进行参数向量更新时需要用到的节点邻域子集；抗脉冲噪声干扰模块，用于对所述自适应系统节点的数据进行符号运算；l0范数和簇相似性约束模块，用于加快所述自适应系统估计未知参数向量时的收敛速度；参数向量估计模块，用于更新参数向量的估计值。

【技术特征摘要】
1.一种鲁棒的稀疏多任务自适应系统，其特征在于，包括：节点邻域子集选取模块，用于选取所述自适应系统中每个节点进行参数向量更新时需要用到的节点邻域子集；抗脉冲噪声干扰模块，用于对所述自适应系统节点的数据进行符号运算；l0范数和簇相似性约束模块，用于加快所述自适应系统估计未知参数向量时的收敛速度；参数向量估计模块，用于更新参数向量的估计值。2.根据权利要求1所述的鲁棒的稀疏多任务自适应系统，其特征在于，所述节点邻域子集选取模块，根据网络拓扑结构的节点n的邻域Nn和该节点所在的簇Cn，得到交集Nn∩Cn和差集Nn\Cn，根据和计算自适应参数cl,n和联合参数al,n。3.根据权利要求2所述的鲁棒的稀疏多任务自适应系统，其特征在于，所述抗脉冲噪声干扰模块通过节点l处的输入矩阵Ul(k)和期望向量dl(k)计算误差向量的值其中，n∈{1,2,…,N}，l∈{1,2,…,N}，wn(k-1)为节点n在k-1时刻对未知参数向量的估计值，Ul(k)＝[ul(k),ul(k-1),…,ul(k-P+1)]为节点l在k时刻的输入矩阵，P为输入向量的数据重用阶数，ul(k)＝[ul(k),ul(k-1),…,ul(k-M+1)]T为节点l在k时刻的输入信号向量，该向量由节点l的输入信号ul(k)的最近M个样值构成，M为整数，dl(k)＝[dl(k),dl(k-1),…,dl(k-P+1)]T为节点l在k时刻的期望向量，该向量由节点l的期望响应dl(k)的最近P个样值构成；根据计算抗脉冲噪声向量，其中，n∈{1,2,…,N}。4.根据权利要求1所述的鲁棒的稀疏多任务自适应系统，其特征在于，所述l0范数和簇相似性约束模块，根据计算集合Nn\Cn中节点的相似性向量，其中，τn为节点n处的约束权重参数，ρl,n为节点n和l的相似性权重参数；根据计算作用于wn(k-1)中第m个元素wn,m(k-1)的零吸引子强度值f(wn,m(k-1))；根据f(wn(k-1))＝[f(wn,0(k-1)),f(wn,1(k-1)),…,f(wn,M-1(k-1))]T形成零吸引子强度向量f(wn(k-1))，其中，β为零吸引子作用域控制参数，n∈{1,2,…,N}，m∈{1,2,…,M}。5.根据权利要求1所述的鲁棒的稀疏多任务自适应系统，其特征在于，所述参数向量估计模块，计算节点n的中间估计向量ψn(k)，根据更新向量wn(k)的...

【专利技术属性】
技术研发人员：倪锦根，朱亚楠，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32