基于牛顿迭代二值采样信号的参数鲁棒估计方法技术

本发明专利技术公开了基于牛顿迭代二值采样信号的参数鲁棒估计方法，包括以下步骤：S10，建立信号模型；S20，计算最大似然估计的目标函数；S30，初始化；S40，计算目标函数的梯度值；S50，计算目标函数的Hessian矩阵；S60，通过线性搜索计算搜索步长α

【技术实现步骤摘要】
基于牛顿迭代二值采样信号的参数鲁棒估计方法
本专利技术属于无线传感器网络领域，涉及一种基于牛顿迭代二值采样信号的参数鲁棒估计方法。
技术介绍
目前，国内外学者也已经开展了大量基于无线传感器网络的低比特参数估计问题的研究。值得注意的是，在实际应用中，某些节点可能处于较为恶劣的环境，其信道容易受到干扰；另外，低比特(单比特)数据本身在传输过程中也很容易受到干扰，这些干扰将导致比特值随机反相。由于这些低比特数据不包含校验位，因此接收端无法判断数据的真实性。直接利用这些数据进行分析会导致现有参数估计方法出现严重偏差。另一方面，信号参数估计问题也常常受到乘性噪声的影响，典型的例子如雷达图像中的散斑噪声、信号传输中的多径干扰等。不同于加性噪声，乘性噪声难以从信号中单独分离出噪声成分，会对估计结果造成很大影响。
技术实现思路
为解决上述问题，本专利技术利用非理想信道情况下接收到的1比特采样信号的变量含误差(EIV，erros-in-varaiables)模型参数估计问题，提出了一种基于牛顿迭代的鲁棒估计方法。该方法首先将问题转化为基于比特扰动概率的最大似然优化问题，然后利用牛顿迭代方法获得问题的最优解。技术方案包括以下步骤：包括以下步骤：S10，建立信号模型；S20，计算最大似然估计的目标函数；S30，初始化；S40，计算目标函数的梯度值；S50，计算目标函数的Hessian矩阵；S60，通过线性搜索计算搜索步长αk；S70，通过牛顿法更新待估计参数vk+1，更新的最终估计值为vML；S80，判断梯度值精度；S90，计算估计值wML；其中，S60计算搜索步长αk后，再判断是否满足线性搜索条件，满足则执行S61，令αk＝δ2αk，δ2为预设的参数，0＜δ2＜1，并重新执行S60；否，则执行S70；S80中梯度值精度若满足预设条件，则执行S90；若不满足预设条件，则返回执行S40。优选地，所述S10，建立信号模型，包括收集每个传感器节点的采样信号，每个传感器节点感知网络环境周围1比特信息yi，i＝1,2,...,N，二值EIV信号模型表示为：其中，是待估计的未知参数矢量；为已知的感测矢量；是等效噪声，包含乘性噪声ei和加性噪声ni，乘性噪声ei和加性噪声ni相互独立且满足零均值的高斯分布，故其中σe为乘性噪声的标准差，σn为加性噪声的标准差；接收到的信号表示为：其中，εi∈(1,-1)为二值干扰噪声。优选地，所述S20，计算最大似然估计的目标函数，包括根据S10中的信号模型推算似然函数通过求出目标函数再将等效参数v＝w/σz带入目标函数中，使其转换成一个新的凸函数其中，μ为扰动的差错概率，优选地，所述S30，初始化，包括设置待估计参数的初始值w0和初始搜索步长α0。优选地，所述S40，计算目标函数的梯度值，包括利用S20中目标函数计算相应的梯度值其中，vk为第k次迭代后的等效参数估计值。优选地，所述S50，计算目标函数的Hessian矩阵，包括利用S20中目标函数计算相应的Hessian矩阵优选地，所述S60，通过线性搜索计算搜索步长αk，当满足条件时，令αk＝δ2αk并重新执行S60，其中δ1和δ2均为预设的参数,0＜δ1＜1，0＜δ2＜1；否则执行S70。优选地，所述S70，通过牛顿法更新待估计参数vk+1，包括利用S40计算出的梯度值gk、S50计算出的Hessian矩阵Gk以及S60计算得到的搜索步长αk，通过公式更新待估计参数vk+1。优选地，所述S80，判断梯度值精度，若|gk|＜ε(ε>0)则停止循环迭代并执行S90；否，则重新执行S40。优选地，所述S90，计算估计值wML；包括将S70中迭代得到的最终估计值vML代入到公式中，得到估计值wML，其中，σn表示为加性噪声的标准差。本专利技术至少具有如下有益效果：1.考虑了无线传感器网络中节点与处理中心之间的二值传输信道存在随机扰动的情况，保证了方法在非理想信道下的鲁棒性；2.使用牛顿迭代估计方法进行参数的估计，相比于传统的梯度下降估计方法，本专利技术的方法收敛速度更快；3.在本专利技术中考虑了乘性噪声对参数估计的影响，避免了乘性噪声难以从信号中单独分离出噪声成分，从而对估计结果造成很大影响的情况，保证了估计值的准确性；4.将传感器节点接收到的采样信号值压缩成二值信号，降低了无线传感器网络的能量消耗和通信负载。附图说明图1为本专利技术实施例基于牛顿迭代二值采样信号的参数鲁棒估计方法的步骤流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。相反，本专利技术涵盖任何由权利要求定义的在本专利技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本专利技术有更好的了解，在下文对本专利技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本专利技术。在无线传感器网络的实际应用中，许多场景都存在着加性噪声和乘性噪声夹杂在一起的复杂噪声环境，并且节点与处理中心之间的二值传输信道有时会存在随机扰动的情况，这些情况会严重影响参数估计的准确性。本专利技术提出了一种基于牛顿迭代二值采样信号的参数鲁棒估计方法。该方法充分考虑了乘性噪声环境以及传感器节点与融合中心之间二值信道的干扰对参数估计的影响，提高了参数估计值的精准性。参见图1：本专利技术提供了一种基于牛顿迭代二值采样信号的参数鲁棒估计方法，步骤如下：S10，建立信号模型：考虑由N个无线节点构成的传感器网络，每个节点能够感知网络环境周围1比特信息yi，i＝1,2,...,N，因此二值EIV(erros-in-varaiables)信号模型可表示为其中是待估计的未知参数矢量，为已知的感测矢量，是等效噪声(包含乘性噪声ei和加性噪声ni)，由于乘性噪声ei和加性噪声ni相互独立且满足零均值的高斯分布，因此其中本专利技术所基于的网络并非是处于理想环境，节点与处理中心之间的二值传输信道存在随机扰动，导致处理中心接收到的比特信号可能发生反相。也就是说，当第i个节点发送的真实比特信息值为yi＝+1(或者-1)，而处理中心接收到的信号可能变成了(或+1)，它们之间的关系可以表示为：其中εi∈(1,-1)表示二值干扰噪声。本专利技术假设存在扰动的差错概率为μ，即P(εi＝-1)＝μ，P(εi＝-1)表示二值干扰噪声εi＝-1时的概率函数。S20，计算最大似然估计的目标函数：利用S10所说明的信号模型，可以推算出似然函数通过可求出目标函数然而目标函数并不是一个凸函数，这就无法通过牛顿法进行准确的参数估计。可以将v＝w/σz带入目标函数中，使其转换成一个新的凸函数经过计算本文档来自技高网...

【技术保护点】
1.一种基于牛顿迭代二值采样信号的参数鲁棒估计方法，其特征在于，包括以下步骤：/nS10，建立信号模型；/nS20，计算最大似然估计的目标函数；/nS30，初始化；/nS40，计算目标函数的梯度值；/nS50，计算目标函数的Hessian矩阵；/nS60，通过线性搜索计算搜索步长α

【技术特征摘要】
1.一种基于牛顿迭代二值采样信号的参数鲁棒估计方法，其特征在于，包括以下步骤：
S10，建立信号模型；
S20，计算最大似然估计的目标函数；
S30，初始化；
S40，计算目标函数的梯度值；
S50，计算目标函数的Hessian矩阵；
S60，通过线性搜索计算搜索步长αk；
S70，通过牛顿法更新待估计参数vk+1，更新的最终估计值为vML；
S80，判断梯度值精度；
S90，计算估计值wML；
其中，S60计算搜索步长αk后，再判断是否满足线性搜索条件，满足则执行S61，令αk＝δ2αk，δ2为预设的参数，0＜δ2＜1，并重新执行S60；否，则执行S70；
S80中梯度值精度若满足预设条件，则执行S90；若不满足预设条件，则返回执行S40。


2.根据权利要求1所述的方法，其特征在于，所述S10，建立信号模型，包括收集每个传感器节点的采样信号，每个传感器节点感知网络环境周围1比特信息yi，i＝1,2,...,N，二值EIV信号模型表示为：



其中是待估计的未知参数矢量；为已知的感测矢量；是等效噪声，包含乘性噪声ei和加性噪声ni，乘性噪声ei和加性噪声ni相互独立且满足零均值的高斯分布，故其中σe为乘性噪声的标准差，σn为加性噪声的标准差；
接收到的信号表示为：



其中，εi∈(1,-1)为二值干扰噪声。


3.根据权利要求2所述的方法，其特征在于，所述S20，计算最大似然估计的目标函数，包括根据S10中的信号模型推算似然函数通过求出目标函数再将等效参数v...

【专利技术属性】
技术研发人员：陆敏杰，刘兆霆，王娜娜，赵旭楷，王亚峰，鲍辉明，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33