一种用于稀疏多任务自适应网络非负参数向量估计的方法技术

本发明专利技术公开一种用于稀疏多任务自适应网络非负参数向量估计的方法，该稀疏多任务自适应网络包含K节点，网络分为Q个簇，每个簇估计的参数向量相同，不同簇估计的参数向量不同，每个节点包含一个自适应滤波器；簇用于仿真多任务系统的参数分布情况，从而保证不同任务簇的参数向量关联；自适应滤波器基于代价函数引入L

【技术实现步骤摘要】
一种用于稀疏多任务自适应网络非负参数向量估计的方法
本专利技术涉及一种用于稀疏多任务自适应网络非负参数向量估计的方法，具体地涉及利用均方误差结合L0范数的方法来进行参数估计，属于无线传感器网络领域。
技术介绍
自适应网络是由分散在一块区域上的多个节点构成的通信网络，每个节点配备一个自适应滤波器，用来对未知的参数向量进行自适应估计。目前，多任务自适应网络的应用非常广泛，网络中的每个节点可以利用相邻节点的交互信息进行独立运算，从而提高整个网络辨识的准确性。多任务自适应网络已经广泛应用于机器学习、计算机网络等应用中。根据节点的协作方式不同，可以将网络分为递增式、扩散式和概率式三种自适应网络类型。基于各种结构和自适应滤波框架，学者们提出了一系列分布式网络方法。2013年，Chen等人提出了多任务扩散式最小均方方法(简记为MD-LMS)[MultitaskDiffusionAdaptationoverNetworks[J].IEEEJournalofSelectedTopicsinSignalProcessing,2013,PP(99):1-1.本文档来自技高网...

【技术保护点】
1.一种用于稀疏多任务自适应网络非负参数向量估计的方法，其特征在于：所述稀疏多任务自适应网络包含K个节点，所述稀疏多任务自适应网络分为Q个簇，每个簇估计的参数向量相同，不同簇估计的参数向量不同，/n每个所述节点包含一个自适应滤波器；/n所述簇用于仿真多任务系统的参数分布情况，从而保证不同任务簇的参数向量关联；/n所述自适应滤波器基于对代价函数引入L

【技术特征摘要】
1.一种用于稀疏多任务自适应网络非负参数向量估计的方法，其特征在于：所述稀疏多任务自适应网络包含K个节点，所述稀疏多任务自适应网络分为Q个簇，每个簇估计的参数向量相同，不同簇估计的参数向量不同，
每个所述节点包含一个自适应滤波器；
所述簇用于仿真多任务系统的参数分布情况，从而保证不同任务簇的参数向量关联；
所述自适应滤波器基于对代价函数引入L0范数的方法对未知参数向量进行估计。


2.根据权利要求1所述的方法，其特征在于：所述估计，
包含如下步骤：
S1：求解网络的联合矩阵C、相似性矩阵ρ和系统联合参数alk，其中，
在多任务自适应网络中，定义节点k的邻域(包括k)为Nk，节点k所在的簇为C(k)，
对于相同簇内的节点，定义联合矩阵其每一个联合参数clk满足
对于不同簇内的节点，定义相似性矩阵其每一个相似性参数ρkl满足
S2：生成节点k在n+1时刻对未知参数的联合估计ψk(n+1),k∈{1,2,…,K}，用wk(n)表示节点k在n时刻对未知参数的估计，表示以wk(n)的元素为对角元...

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