Simultaneous Distributed Sensor Self-Localization and Target Tracking Using Belief Propagation and Likelihood Consensus
我们介绍的框架合作同时定位和跟踪（CoSLAT），它提供了一个一致的组合合作自定位（CSL）和分布式目标跟踪（DTT）在传感器网络中没有一个融合中心。CoSLAT扩展了同时定位和跟踪（SLAT），因为它也使用传感器间测量。从因素图制定的CoSLAT问题，我们开发了一个基于粒子的，分布式的消息传递算法CoSLAT，结合非参数的信念传播的似然共识计划。CoSLAT算法通过在CSL和DTT之间交换概率信息来改进最新的CSL和DTT算法。仿真结果表明，自定位和跟踪性能的显着改善。
2012-11-29 cs.IT cs.NI math.IT
Weight Optimization for Consensus Algorithms with Correlated Switching Topology
我们在空间相关随机拓扑的共识算法中设计权重。这些问题出现在：1）具有空间相关随机链路故障的网络和2）具有随机平均协议的网络。我们证明了对称和非对称随机图的权优化问题都是凸的。对于对称随机网络，我们选择共识均方误差（MSE）收敛速度作为优化标准，并明确表示此速度作为链接形成概率，链接形成空间相关性和共识权重的函数。我们证明了MSE收敛速度是一个凸的，非光滑的函数的权重，使全局优化的权重为任意的链接形成概率和链接相关结构。我们扩展我们的结果的情况下，非对称随机链接。我们采用的优化标准的均方偏差（MSdev）的节点状态从当前的平均状态。我们证明了MSdev是一个凸函数的权重。仿真结果表明，显着的性能增益与我们的重量设计方法相比，在文献中提供的方法。
2009-09-25 cs.IT math.IT
Distributed Consensus Algorithms in Sensor Networks: Quantized Data and Random Link Failures
研究了具有量化数据和随机链路故障的传感器网络中的分布式平均一致性问题。为了实现一致性，在量化之前将抖动（小噪声）添加到传感器状态。当量化器的范围是无界的（可数数量的量化器水平），随机逼近表明，共识是渐近实现的概率为1，并在一个有限的随机变量的均方。我们表明，均方误差（m.s.e.）可以通过调整链路权重序列来使其任意小，代价是算法的收敛速度。为了研究量化器范围有界时随机链接的抖动一致性，我们建立了无界量化器样本路径的一致有界性。这需要表征量化器状态的采样路径上取的上确界的统计特性。这是通过将量化器的状态向量分成两个分量来实现的：一个分量沿着一致子空间，另一个分量沿着与一致子空间正交的子空间。证明使用极大不等式的下鞅和上鞅序列。从这些，我们得出的概率界限上的两个连续性的偏移，从量化器状态矢量的偏移的概率界限如下。本文展示了如何使用这些概率界来设计量化器参数，并探讨量化器级别的数量，量化步骤的大小，所需的饱和概率，以及所需的准确度$ε$远离共识之间的权衡。最后，本文说明了量化器的设计与数值研究。
2009-09-28 cs.IT cs.MA math.IT
Distributed Consensus Algorithms in Sensor Networks: Link Failures and Channel Noise
本文研究了随机拓扑（间歇链路）\emph{and}噪声信道下的平均一致性。网络链接中带有噪声的共识导致了偏差-方差困境-长期运行共识会降低最终平均估计的偏差，但会增加其方差。我们提出了两种不同的折衷方案：$\mathcal{A-ND}$算法通过强制权重满足\emph{persistence}条件来修改传统的共识（缓慢衰减到零）;以及$\mathcal{A-NC}$算法，其中权重是恒定的，但一致性运行固定次数的迭代$\hat{\imath}$，然后重新启动并重新运行总共$\hat{p}$次，并且在结束时对$\hat{p}$运行的最终状态进行平均（蒙特卡罗平均）。我们使用受控马尔可夫过程和随机逼近参数证明几乎必然收敛的$\mathcal{A-ND}$所需的平均值（渐近无偏性）和计算明确的m.s.e.（二）共识的界限。我们表明，$\mathcal{A-ND}$代表了两个世界中最好的-低偏差和低方差-以缓慢的收敛速度为代价;重新调整权重.
2008-09-08 cs.IT cs.MA math.IT
Polynomial Filtering for Fast Convergence in Distributed Consensus
在过去的几年中，分布式共识问题受到了广泛的关注，特别是在adhoc传感器网络的框架。文献中提出的大多数方法通过分布式线性迭代算法来解决共识平均问题，并具有共识解的渐近收敛性。这种分布式算法的收敛速度通常取决于网络拓扑结构和给定相邻传感器之间的边的权重，如网络矩阵所描述的。在本文中，我们提出了加快收敛速度给定的网络矩阵的多项式滤波算法的使用。所提出的方法的主要思想是应用多项式滤波器的网络矩阵，将其频谱形状，以提高收敛速度。这种算法相当于通过聚合其先前估计中的一些来在每个传感器中进行周期性更新。我们制定的最佳多项式的系数的计算作为一个半定的程序，可以有效地和全局解决的静态和动态网络拓扑结构。最后，我们提供了模拟结果，证明了所提出的解决方案的有效性，加速收敛的分布式共识平均问题。
2008-02-27 cs.IT math.IT
Distributed Detection over Time Varying Networks: Large Deviations Analysis
本文应用大偏差理论研究了传感器网络中运行一致性分布式检测的渐近性能。运行共识是最近提出的一种随机近似型算法。在每个时间步长k，每个传感器的状态通过传感器自身的状态和其邻居的状态的局部平均（一致性）以及通过考虑新的观测（创新）来更新。我们假设高斯，空间相关的观察。我们允许底层网络是时变的，前提是收集在有限时间窗口内至少在线一次的链接的并集的图是连接的。本文通过大的偏差表明，在网络连通性和传感器的观察，运行的一致性检测渐近性能的最佳集中式检测的假设。也就是说，检测错误的贝叶斯概率（与运行的共识检测器）以指数方式衰减到零，因为k在渐近最优集中式检测器的最佳可实现速率-
2010-10-25 cs.IT math.IT
Exploiting Interference for Efficient Distributed Computation in Cluster-based Wireless Sensor Networks
本文提出了一些新的想法，如何提高共识算法在分布式无线传感器网络的性能，当考虑通信成本。特别感兴趣的是共识算法，利用无线信道的广播属性，以提高收敛速度方面的性能。为此，我们提出了一种新的基于聚类的共识算法，利用干扰计算，同时减少网络中的能量消耗。由此产生的优化问题是一个半定的程序，它可以离线解决系统启动之前。
2014-09-03 cs.DC cs.IT math.IT
Distributed Parameter Estimation in Sensor Networks: Nonlinear Observation Models and Imperfect Communication
研究了具有非线性观测模型和传感器间通信噪声的传感器网络中分布式静态参数（矢量）估计问题。介绍了\emph{separably estimable}观测模型，将线性集中估计的可观测性条件推广到非线性分布估计。研究了可分离估计模型下的两种分布式估计算法$\mathcal{NU}$（及其线性对应的$\mathcal{LU}$）和$\mathcal{NLU}$。它们的更新规则结合了一个\emph{consensus}步骤（其中每个传感器通过对其邻居的状态进行加权平均来更新状态）和一个\emph{innovation}步骤（其中每个传感器处理其本地电流观测）。这使得\textit{consensus + innovations}类型的三种算法与传统的共识算法有很大的不同。本文证明了一致性（所有传感器几乎肯定达到共识，并收敛到真正的参数值），效率和渐近无偏性。对于$\mathcal{LU}$和$\mathcal{NU}$，它证明了渐近正态性，并提供了收敛速度保证。这三种算法的特点是适当选择衰减权序列。算法$\mathcal{LU}$和$\mathcal{NU}$的随机逼近理论的框架进行了分析，算法$\mathcal{NLU}$表现出混合的时间尺度行为和有偏扰动，它的分析需要一个不同的方法，在本文中开发。
2012-05-18 cs.IT cs.MA math.IT
Consensus-based Distributed Quickest Detection of Attacks with Unknown Parameters
被认为是在一个分布式估计系统中的顺序攻击检测，其中每个传感器连续产生一个所需的确定性标量参数被加性噪声破坏的一位量化样本。攻击前和攻击后模型中的未知参数，即待估计的期望参数和被攻击传感器处注入的恶意数据，对设计计算高效的方案以使每个传感器仅通过使用与相邻传感器的本地通信来检测攻击的发生构成了重大挑战。考虑了广义累积和（GSTUUM）算法，该算法在GSTUUM检验统计量中用未知参数的最大似然估计代替未知参数。对于所考虑的问题，提供了一个充分条件，在此条件下，可以保证期望的虚警周期的GSTRUUM是大于任何给定的值。接下来，我们考虑GSTRUUM的分布式实现。首先，我们提出了一个替代的检验统计量，这是渐近等价的GSTUUM。然后基于所提出的替代测试统计量和运行的共识算法，我们提出了一个分布式近似GSTUUM算法，显着降低了过高的计算复杂性的集中式GSTUUM。数值结果表明，分布式近似GSTUUM算法可以提供一个性能，是集中式GSTUUM。
2018-02-08 cs.IT math.IT
Study of Sparsity-Aware Distributed Conjugate Gradient Algorithms for Sensor Networks
提出了一种基于共轭梯度法和扩散策略的传感器网络参数估计分布式自适应算法。我们提出了稀疏意识的传统和修改分布式CG算法使用$l_{1}$和对数和惩罚函数。与一致最小均方（Diffusion-LMS）算法和扩散CG算法相比，所提出的稀疏感知扩散分布式CG算法在均方偏差（MSD）和收敛性能方面都有提高，而与扩散分布式递归最小二乘（Recursive Least Squares，RLS）算法性能接近。数值结果表明，所提出的算法是可靠的，可以应用于多种场景。
2015-11-20 cs.IT math.IT
Partial Consensus and Conservative Fusion of Gaussian Mixtures for Distributed PHD Fusion
School of Sciences, University of Salamanca（萨拉曼卡大学理学院）；Institute of Telecommunications, Vienna University of Technology（维也纳工业大学电信研究所）；School of Mechanical Engineering, Northwestern Polytechnical University（西北工业大学机械工程学院）
本文提出了一种称为'部分共识'的新共识概念，用于基于对等传感器网络的分布式高斯混合概率假设密度（GM-PHD）融合，仅在P2P通信中传播高权重的后验高斯成分（GCs），而不涉及不重要的GCs。部分共识不仅在网络通信和本地融合计算上具有高效率，还显著减少了潜在虚假数据（杂波）对滤波器的影响，从而提高本地传感器的信噪比。提出两种'保守'的混合减少方案，以在完全分布式方式下融合共享的GCs。一种是基于匈牙利分配的传感器间GCs配对平均，另一种是基于新的GM融合方案合并接近的GCs。所提出的方法与已知的保守融合方法——协方差联合和算术均值密度有密切联系。同时，在传感器之间寻求卡数分布（即GM权重和）的平均共识。基于每个传感器运行GM-PHD滤波器的传感器网络，展示了跟踪单个目标或多目标同时出现的仿真，以比较本文方法与基准通用协方差交叠方法。结果表明，部分、算术平均共识优于完全、几何平均共识。
2017-11-29 cs.DC cs.IT cs.SY
Consensus and Products of Random Stochastic Matrices: Exact Rate for Convergence in Probability
具有系统随机阵$W_k$的分布式共识和其他线性系出现在各种环境中，如社交网络中的意见形成，机器人的会合，以及传感器网络中的分布式推理。矩阵$W_k$通常是随机的，例如，无线传感器网络中的随机丢包问题。分析这类系统性能的关键是研究矩阵乘积$W_kW_{k-1}... W_1$的收敛性。本文在假定$W_k$在时间上是对称的和独立同分布的条件下，得到了当$k$变大时，这类矩阵乘积的依概率收敛的精确指数率$I$。此外，对于常用的随机模型，如与八卦和链路故障，我们表明，率$I$是通过解决最小割问题，因此，很容易计算。最后，我们应用我们的结果来优化分配共识+创新分布式检测中传感器的传输功率。
2012-02-28 cs.IT cs.SI math.IT
Gossip and Distributed Kalman Filtering: Weak Consensus under Weak Detectability
针对传感器网络和网络中传感器之间的通信和观测同时发生的情况，提出了一种用于分布式卡尔曼滤波的流言交互式卡尔曼滤波器（GIKF）.传感器之间的通信是随机的;每个传感器偶尔会根据相应网络链路的可用性与邻居交换其过滤状态信息。我们证明了在弱分布可检测性条件下：1。GIKF误差过程保持随机有界，与随机过程动态的不稳定性无关;以及2.网络实现\emph{weak consensus}，即，在（均匀）随机选择的传感器处的条件估计误差协方差在分布上收敛到半正定矩阵空间上的唯一不变测度（与初始状态无关）。为了证明这些结果，我们将GIKF中每个节点的过滤状态（估计值和误差协方差）解释为具有局部相互作用的随机粒子。我们分析的误差过程的渐近性质，通过研究作为一个随机动力系统的相关切换（随机）Riccati方程，切换由一个非平稳马尔可夫链的网络图。
2010-04-02 cs.IT math.DS math.IT
Higher Dimensional Consensus: Learning in Large-Scale Networks
提出了一种适用于大规模网络的高维一致性算法。HDC推广了众所周知的平均共识算法。它将大规模网络的节点分为锚节点和传感器节点。邻居是其状态在HDC迭代中固定的节点，而传感器是将其状态更新为相邻状态的线性组合的节点。在适当的条件下，我们证明了传感器状态收敛到锚状态的线性组合。通过锚的概念，HDC在一个统一的框架中捕获了几个有趣的网络任务，包括分布式传感器定位，领导者-追随者，分布式Jacobi求解线性代数方程组，当然还有平均共识。在许多网络应用中，学习分布式线性算法的权值以使传感器收敛到期望的状态是很有意义的。我们把这个逆问题称为HDC学习问题。我们将HDC中的学习作为一个约束非凸优化问题，我们将其置于多目标优化（MOP）的框架中，并将帕累托最优性应用于其中。我们证明了MOP解决方案和帕累托前，我们从中获得的解决方案，在HDC学习分析相关的属性。最后，本文展示了MOP方法如何解决资源受限网络中HDC学习中出现的有趣权衡（收敛速度与最终状态质量）。
2009-04-12 cs.DC cs.IT math.IT
Large Deviations Performance of Consensus+Innovations Distributed Detection with Non-Gaussian Observations
我们建立了随机网络上具有一般（非高斯）传感器观测的共识+创新分布式检测的大偏差渐近性能（误差指数）。在每个时刻，传感器1）将其与其邻居的决策变量相结合（共识），2）吸收其新的观察结果（创新）。本文表明，对于一般的非高斯分布，共识+创新分布式检测表现出相对于网络连通度的相变行为。在阈值以上，分布式与集中式一样好，具有相同的最佳渐近检测性能，但是，在阈值以下，分布式检测相对于集中式检测是次优的。我们确定这个阈值，并量化低于阈值的性能损失。最后，我们展示了阈值和性能对观测分布的依赖性：在同一随机网络上的分布式检测器，但具有不同的观测分布，例如高斯，拉普拉斯或量化，可能具有不同的渐近性能，即使相应的集中式检测器具有相同的渐近性能。
2012-04-15 cs.IT math.IT
Optimal Fault-Tolerant Data Fusion in Sensor Networks: Fundamental Limits and Efficient Algorithms
在传感器网络的背景下，分布式估计被认为是分布式代理被赋予一组传感器测量，并负责估计目标变量。假设传感器的子集是有故障的。目标是最小化i）每个节点处的均方估计误差（准确度目标），以及ii）每对节点处的估计值之间的均方距离（一致性目标）。它表明，有一个内在的权衡前者和后者的目标。假设一个一般的随机模型，传感器融合算法优化这一折衷的特点是通过一个可计算的优化问题，并获得了一个Cramer-Rao型下界的可实现的精度一致性损失。寻找最佳传感器融合算法在计算上是复杂的。为了解决这个问题，一般类的低复杂性Brooks-Iyengar算法的介绍，和他们的性能，在精度和共识的目标，相比，通过案例研究模拟各种情况下的最优线性估计。
2022-12-22 cs.IT cs.SY eess.SP
Distributed Change Detection via Average Consensus over Networks
Princeton University（普林斯顿大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种分布式变化点检测算法，传感器仅通过平均共识方案与邻居交换CUSUM统计量，当本地共识统计量超过预设的全局阈值时触发警报。理论性能界限表明，在某些温和条件下，完全分布式方案的性能可以与集中式算法相媲美。数值实验展示了该算法在检测异步变化方面的良好性能。
2019-01-08 cs.IT cs.SY eess.SP
Distributed Decision Through Self-Synchronizing Sensor Networks in the Presence of Propagation Delays and Nonreciprocal Channels
在本文中，我们提出并分析了一种分布式算法，实现全局最优的决策，无论是估计或检测，通过线性耦合的积分器初始化与本地测量之间的自同步机制。我们建模的节点之间的相互作用作为一个有向图的权重依赖于无线电接口，我们提出特别注意的传播延迟发生在传感器之间的数据交换的效果，作为网络几何形状的函数。我们得到的必要和充分条件，建议的系统达成共识的全局最优决策统计。在这项工作中证明的主要结果之一是，达成共识的任何有界延迟条件的当且仅当有向图是准强连通的。我们还提供了一个封闭的形式表达的全球共识，表明延迟的影响是，在一般情况下，引入偏见的最终决定。封闭形式的表达式也可用于修改共识机制，以便以最小的额外复杂性消除偏差。
2007-04-16 cs.IT cs.MA math.IT
Non-Linear Distributed Average Consensus using Bounded Transmissions
提出了一种分布式平均共识算法，每个传感器发送有界峰值功率。在通信噪声的存在下，它表明，节点达成共识渐近一个有限的随机变量，其期望值是所需的样本平均值的初始观测值的方差，取决于算法的步长和通信噪声的方差。渐近性能的特点是推导出的渐近协方差矩阵使用随机逼近理论的结果。结果表明，使用有界传输的结果在收敛速度较慢的线性共识算法的基础上的拉普拉斯启发式。模拟证实了我们的分析结果。
2013-02-21 cs.DC cs.IT math.IT
Fastest Distributed Consensus on Petal Networks
为寻找最快分布式共识（FDC）问题提供解析解是传感器网络领域的挑战性问题之一。在这项工作中，我们提出了最快的分布式共识平均算法的问题的分析解决方案，通过分层和半定规划，两种特殊类型的花瓣网络，即对称和完全核心对称（CCS）花瓣网络。该方法基于最快分布式共识平均问题的凸性，通过对松弛条件下的特征多项式进行归纳比较，找到最优权值。还介绍了某些类型的叶子以及它们的最佳权重，如果单独考虑这些叶子，则这些权重无法通过本工作中使用的方法实现。
2010-09-25 cs.DM cs.IT math.IT
Consensus Problem under Diffusion-based Molecular Communication
我们研究了节点通过基于扩散的分子通信（DbMC）进行通信的网络中的共识问题。在DbMC中，信息通过介质中分子浓度的变化来传达。每个节点都获取有关环境的感官信息。通信使节点能够达到该测量的最佳估计，例如，所有节点的初始估计的平均值。我们考虑一个迭代法节点之间的通信，使信息传播和平均网络。我们表明，经过有限次数的迭代和方差的估计节点可以通过通信任意小的共识。
2011-03-01 cs.IT math.IT nlin.AO
Fastest Distributed Consensus on Path Network
为寻找最快分布式共识（FDC）问题提供解析解是传感器网络领域的挑战性问题之一。迄今为止提出的大多数方法都是用数值凸优化方法来处理FDC平均算法问题的，除了在[3]中证明了路径的简化答案外，到目前为止还没有给出求FDC的封闭形式解。在这项工作中，我们提出了一个解析解的最快的分布式共识的路径网络使用半定规划，特别是解决松弛条件，其中最佳的权重是通过归纳比较的松弛条件启动的特征多项式。
2010-03-15 cs.DC cs.IT math.CO
Weight Optimization for Distributed Average Consensus Algorithm in Symmetric, CCS & KCS Star Networks
研究了对称星形网络上分布式共识平均算法的权值优化问题。根据网络的拓扑参数确定了网络的最优权值和收敛速度。此外，两个替代拓扑结构具有更快的收敛速度已经推出。新的拓扑结构是完整核心对称（CCS）星形和K核心对称（KCS）星形拓扑。结果表明，在对称和CCS星形构形中，中心部分的最优权与其分支无关。通过仿真，验证了在量化约束下所得到的权值的最优性。
2011-07-28 cs.DC cs.IT math.CO
Study of Joint MMSE Consensus and Relay Selection Algorithms for Distributed Beamforming
The University of York（约克大学）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）
本文提出了一种联合MMSE共识与中继选择算法，用于分布式波束成形，通过总功率约束和中继间的局部通信，优化网络性能。
2017-05-28 cs.CE cs.IT cs.SY
