Diffusion Least Mean P-Power Algorithms for Distributed Estimation in Alpha-Stable Noise Environments
我们提出了一种扩散最小平均p-功率（LMP）算法的分布估计在α稳定噪声环境中，这是一个广泛使用的模型，出现在各种环境中。与扩散最小均方（LMS）算法相比，当噪声具有α稳定分布时，扩散LMP算法具有更好的性能。
2013-07-27 cs.IT math.IT
Distributed conjugate gradient strategies for parameter estimation over sensor networks
提出了一种基于共轭梯度法的分布式自适应算法。增量和扩散自适应解决方案都被认为是。分布式常规（CG）和修改的CG（MCG）算法有一个改进的性能方面的均方误差相比，最小均方（LMS）为基础的算法和性能接近递归最小二乘（RLS）算法。由此产生的算法是分布式的，合作的，能够实时的响应环境的变化。
2013-06-18 cs.IT math.IT
Converses for distributed estimation via strong data processing inequalities
我们考虑分布式估计的问题，其中本地处理器观察独立的样本条件下的一个共同的随机参数的兴趣，映射到一个有限数量的位的意见，并将这些位发送到一个远程估计独立的噪声信道。我们推导出这个问题的逆结果，如贝叶斯风险的下界。主要的技术工具包括通过互信息和小球概率的贝叶斯风险的下界，以及相对熵的强数据处理不等式。我们的结果可以恢复和改进一些现有的无噪声信道的分布式估计的结果，也捕捉噪声信道对估计性能的影响。
2015-04-23 cs.IT math.IT
Channel Estimation Techniques for Quantized Distributed Reception in MIMO Systems
物联网（IoT）可以实现云多输入多输出（MIMO）系统的开发，其中支持互联网的设备可以作为分布式传输/接收实体工作。我们预计，使用云MIMO的分布式接收的空间复用将是未来无线通信系统的关键因素。在本文中，我们首先审查实际的接收机的空间复用传输数据的分布式接收的融合中心依赖于量化的接收信号从地理上分离的接收节点。使用这些接收机的结构，我们提出了实用的块衰落的情况下的信道估计技术。所提出的信道估计技术依赖于在接收节点处的非常简单的操作，同时随着训练长度变大而实现接近最优的信道估计性能。
2014-11-30 cs.IT math.IT
Transceiver Design for Dual-Hop Non-regenerative MIMO-OFDM Relay Systems Under Channel Uncertainties
本文研究了信道估计误差下双跳非再生（放大转发）MIMO-OFDM系统的线性收发机设计。首先推导了两跳信道估计误差的二阶矩。然后基于贝叶斯框架，提出了在信道估计误差下中继节点线性转发矩阵和目的节点均衡器的联合设计，以最小化目的节点输出信号的总均方误差（MSE）。相关和不相关的信道估计误差的最优设计被认为是。还公开了与现有算法的关系。此外，这种设计扩展到联合设计涉及源预编码器的设计。仿真结果表明，所提出的设计优于仅基于估计的信道状态信息的设计。
2012-09-18 cs.IT math.IT
Distributed Estimation of Dynamic Fields over Multi-agent Networks
本文提出了多智能体/传感器网络中时变随机场估计的分布式算法。传感器网络对动态场进行稀疏且有噪声的局部测量。每个传感器的目标是获得无偏分布估计的整个领域的有界均方误差（MSE）的基础上，自己的本地观测和邻居的估计。本文提出了三种新的分布式估计器：伪新息卡尔曼滤波器（PIKF）、分布式信息卡尔曼滤波器（DIKF）和一致性+新息卡尔曼滤波器（CIKF）。我们设计的增益矩阵，使估计实现无偏估计与有界的MSE在最小的假设下的本地观测和网络通信模型。这项工作建立了这三个分布式估计之间的权衡，并演示了他们如何优于现有的解决方案。我们通过大量的数值计算来验证我们的结果。
2017-01-10 cs.IT math.IT
Study of Distributed Conjugate Gradient Strategies for Distributed Estimation Over Sensor Networks
提出了一种基于分布式共轭梯度算法的无线传感器网络参数估计和频谱估计算法。特别是，分布式的传统共轭梯度（CCG）和修改共轭梯度（MCG）被认为是与增量和扩散自适应解决方案。分布式CCG和MCG算法在均方误差方面与基于最小均方（LMS）的算法相比具有改进的性能，并且性能接近于递归最小二乘（RLS）算法。与现有的集中式或分布式估计策略相比，本文算法的主要特点是：1）可以获得更精确的估计和更快的收敛速度; 2）CG算法的预处理器设计，提出了一种改进CG算法性能的新方法;所提出的算法在分布参数估计和谱估计领域中实现。所提出的分布式估计算法的性能通过仿真来说明，并且所得到的算法是分布式的、协作的并且能够实时的响应环境的变化。
2016-01-16 cs.DC cs.IT math.IT
Optimal Asymmetric Binary Quantization for Estimation Under Symmetrically Distributed Noise
在这封信中考虑了基于噪声和二进制量化测量的位置参数估计。我们研究了不同对称单峰噪声分布的Cramer-Rao界作为量化器阈值的函数的行为。我们表明，在某些情况下，直观的选择阈值位置的对称性的问题，把阈值的真实参数值，可以导致局部最差的估计性能。
2013-10-25 cs.IT math.IT
5G Mobile Cellular Networks: Enabling Distributed State Estimation for Smart Grids
随着向5G的过渡，移动蜂窝网络正在发展成为无处不在的大规模信息获取、通信、存储和处理的强大平台。5G将为关键任务和实时应用提供合适的服务，例如未来智能电网中设想的应用。在这项工作中，我们展示了新兴的5G移动蜂窝网络，其机器类型通信的演变和移动边缘计算的概念，为智能电网中的分布式监测和控制任务提供了足够的环境。特别是，我们详细介绍了智能电网如何从5G环境中的先进分布式状态估计方法中受益。我们提出了一个新兴的分布式状态估计解决方案的概述，重点是那些基于分布式优化和概率图形模型，并研究其集成为未来5G智能电网服务的一部分。
2017-05-20 cs.IT math.IT
Distributed Frequency Offsets Estimation
在本文中，我们提供了一个分布式的频率偏移估计算法的基础上的一个变种的信念传播（BP）。网络中的每个代理单独地预补偿其载波频率，使得在每对收发器之间不存在与期望载波频率的频率偏移。每个代理的预补偿偏移以分布式方式计算，以便适应分布式网络。为了减少通信负担，BP算法的变体更新过程采用广播方式设计。严格证明了算法的收敛性。仿真结果表明，该方法在误差接近Cramér-Rao下界的情况下，几乎达到了最优的频率补偿精度。
2018-02-12 cs.IT math.IT
A Distributed Sparse Channel Estimation Technique for mmWave Massive MIMO Systems
在本文中，我们研究了稀疏信道估计的问题，通过协作和完全分布式的方法。估计问题制定在角度域中，通过利用空间上共同的稀疏结构的多用户场景中所涉及的信道。稀疏信道估计问题是通过一个有效的分布式方法解决的，在该方法中，参与的用户协同估计他们的信道稀疏支持集，在本地估计信道值之前，假设存在全局和公共支持子集。所提出的算法，命名为WDiOMP的性能进行比较，DiOMP，本地OMP和集中式解决方案的基础上SOMP，在支持集恢复错误在各种实验场景下。即使在底层稀疏结构未知的情况下，也证明了WDiOMP的功效。
2021-07-22 cs.IT math.IT
Improved Communication Efficiency for Distributed Mean Estimation with Side Information
在本文中，我们考虑分布式均值估计问题，其中服务器可以访问一些边信息，例如，其本地计算的均值估计或由分布式客户端在先前迭代发送的接收信息。我们基于Mayekar等人提出的r比特Wynzer-Ziv估计器提出了一个实用而有效的估计器，这不需要对数据进行概率假设。不同于Mayekar的工作，只利用在服务器端的边信息，我们的计划联合利用客户端的数据和服务器端的边信息之间的相关性，以及不同客户端的数据之间。我们推导出所提出的估计器的估计误差的上界。在此上界的基础上，我们给出了两种选择估计器输入参数的算法。最后，我们的估计是优于前一个参数区域的特点。
2021-02-04 cs.IT math.IT
Network-Wide Distributed Carrier Frequency Offsets Estimation and Compensation
在本文中，我们提出了一个分散系统中的频率偏移估计的全分布式算法。该算法中，每个节点通过本地计算和有限的信息交换来估计其频偏。这种算法不需要任何集中的信息处理或全局网络拓扑的知识。分析表明，无论网络拓扑如何，该算法总是收敛到最优估计。仿真结果表明，该算法的快速收敛性，并显示在每个节点的估计均方误差触及集中式Cramér-Rao界内的几个{迭代的消息交换}。因此，所提出的方法具有较低的开销，并可扩展的网络规模。
2016-07-10 cs.IT math.IT
Learning-Based Distributed Detection-Estimation in Sensor Networks with Unknown Sensor Defects
我们认为一个未知的确定性标量参数（目标信号）在无线传感器网络（WSN），其中每个传感器接收到一个单一的快照字段的分布式估计的问题。我们假设在每个节点的观察随机落入两种模式之一：有效或无效的观察模式。具体地，模式一对应于期望的信号加噪声观测模式（\emph{valid}），模式二对应于由于节点缺陷或损坏的纯噪声模式（\emph{invalid}）。没有先验信息，这样的本地传感模式，我们引入了一个基于学习的分布式过程，称为混合检测估计（MDE）算法，基于模式学习（检测）和目标估计之间的迭代闭环相互作用。在线学习步骤在每次迭代时重新评估局部观测的有效性，从而细化正在进行的估计更新过程。MDE算法的收敛性建立解析。渐近分析表明，在高信噪比（SNR）制度，MDE估计误差收敛到一个理想的（集中式）估计与完美的信息节点的感知模式。这与基于朴素平均一致性的分布式估计器（没有模式学习）的估计性能形成对比，其估计误差随着SNR的增加而增大。
2015-10-08 cs.IT math.IT
Distributed Estimation of a Parametric Field Using Sparse Noisy Data
参数物理场的分布估计问题被描述为极大似然估计问题。加性高斯白噪声会使传感器观测值失真。在数据传输之前，每个传感器将其观测量化为$M$级别。量化后的数据通过并行加性白高斯信道传输到融合中心进行联合估计。提出了一种估计未知参数的期望最大化迭代算法，并将其线性化后用于数值分析。数值例子提供的情况下的场建模为高斯钟。分析了积分均方误差与量化层数、网络中传感器数目以及观测和传输信道信噪比的关系。
2012-09-20 cs.IT math.IT
Distributed Estimation in Multi-Agent Networks
一个分布式状态估计的问题，在多个代理的物理连接，并有竞争力的利益被映射到一个分布式信源编码的问题与额外的隐私约束。代理相互作用，以估计自己的状态，以期望的保真度，从他们的（传感器）测量，这是本地状态和其他代理的状态的函数。对于一个高斯状态和测量模型，它示出的和率实现的分布式协议中，代理人广播到另一个是一个集中式协议，代理人广播，好像一个虚拟CEO收敛的限制，只有在大量的代理人的下限。使用本地测量编码的充分性也证明了这两个协议。
2012-07-09 cs.IT math.IT
Distributed Low-Rank Estimation Based on Joint Iterative Optimization in Wireless Sensor Networks
University of York（约克大学）；PUC-Rio（里约热内卢天主教大学）；Princeton University（普林斯顿大学）
提出了一种新的分布式降秩算法和一种自适应分布式估计算法。建议的分布式方案是基于一个变换，在网络的每个代理进行降维，然后由一个降维参数向量。提出了一种分布式降秩联合迭代估计算法，与现有技术相比，该算法能够显著降低通信开销，提高估计性能。仿真结果表明，所提出的策略在收敛速度和均方误差性能方面的优势。
2014-11-05 cs.IT cs.LG math.IT
Study of Distributed Spectrum Estimation Using Alternating Mixed Discrete-Continuous Adaptation
针对传感器网络参数和谱估计问题，提出了一种分布式交替混合离散-连续（DAMDC）算法来逼近基于扩散策略的预言算法。最小均方（LMS）型算法，获得预言矩阵自适应开发和现有的稀疏意识和传统的算法进行比较。该算法在均方偏差和功率谱估计精度方面表现出更好的性能。数值结果表明，DAMDC算法具有良好的性能。
2016-04-11 cs.DC cs.IT math.IT
Distributed Adaptive LMF Algorithm for Sparse Parameter Estimation in Gaussian Mixture Noise
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
提出了一种基于归一化最小均值四阶（NLMF）准则的非高斯噪声背景下稀疏未知参数估计的分布式自适应算法。在第一步中，局部自适应NLMF算法被修改为零范数，以加快收敛速度，并减少在稀疏条件下的稳态误差功率。然后，所提出的算法扩展到分布式的情况下，由于局部自适应滤波器的合作，估计性能得到了更大的改善。仿真结果表明，该算法与传统的NLMF算法相比，具有明显的优越性。
2015-12-08 cs.CL cs.IT math.IT
Distributed Estimation and Detection with Bounded Transmissions over Gaussian Multiple Access Channels
分布式推理计划，它使用有界传输函数在高斯多址信道被认为是。当传感器测量作为传感器指数的函数可靠性递减时，表征了在其下一致估计和可靠检测是可能的传输函数上的条件。对于分布估计问题，在噪声样本方差有界且传递函数为一对一的条件下，证明了使用有界传递函数的估计方案是强相合的.所提出的估计方案相比，放大和转发技术和其鲁棒性的脉冲传感噪声分布突出。放大和转发方案相比，它也表明，有界传输遭受不一致的估计，如果感测噪声方差趋于无穷大。对于分布式检测问题，通过研究偏转系数也得到了类似的结果。模拟证实了我们的分析结果。
2013-06-26 cs.DC cs.IT math.IT
Dynamic Topology Adaptation and Distributed Estimation for Smart Grids
University of York（约克大学）；Princeton University（普林斯顿大学）
本文提出了新的动态拓扑自适应策略，在智能电网系统中的分布式估计。提出了一种基于动态穷举搜索的拓扑自适应算法和一种基于动态稀疏性的拓扑自适应算法，该算法能够利用链路质量较差的智能电网拓扑，并获得性能增益。我们将一个优化的组合规则，命名为黑斯廷斯规则到我们提出的动态拓扑自适应算法。与现有的分布式估计算法相比，该算法具有更好的收敛速度，显著提高了系统性能。所提出的算法的性能进行了比较，与现有的算法在IEEE 14节点系统。
2014-01-14 cs.IT cs.LG math.IT
Distributed State Estimation Using Intermittently Connected Robot Networks
Duke University（杜克大学）
研究了多机器人系统的分布式状态估计问题。机器人的通信能力有限，因此，只有当它们在物理上彼此接近时，才间歇地传送它们的测量结果。为了减少机器人只需要进行通信的距离，我们将它们分成小团队，这些小团队可以在不同的位置进行通信，以共享信息并更新它们的信念。然后，我们提出了一个新的分布式方案，结合（i）通信时间表，确保网络是间歇性连接，和（ii）采样为基础的运动规划的机器人在每个团队的目标，以收集最佳的测量和决定这些机器人的位置进行通信。据我们所知，这是第一个分布式的状态估计框架，放松所有的网络连接的假设，并控制间歇性的通信事件，使估计的不确定性最小化。我们目前的模拟结果表明，显着提高估计精度相比，保持一个端到端的连接网络的所有时间的方法。
2018-09-19 cs.IT cs.RO math.IT
Distributed Gauss-Newton Method for AC State Estimation: A Belief Propagation Approach
在本文中，我们提出了一个解决方案，在电力系统中的交流状态估计问题，使用完全分布式高斯牛顿法。所提出的方法被放置在因子图和信念传播算法的上下文中，并推导出沿因子图交换的信念传播消息的封闭形式的表达式。所得到的算法提供了与传统的加权最小二乘状态估计相同的解决方案。使用一个简单的例子，我们提供了一个逐步介绍所提出的算法。最后，我们讨论了收敛行为使用IEEE 14总线测试情况。
2016-05-26 cs.IT math.IT math.OC
Weighted diffusion LMP algorithm for distributed estimation in non-uniform noise conditions
本文提出了一种改进的扩散最小平均p幂（LMP）算法。代替均方误差的和，均方误差的加权和被定义为传感器网络的全局和局部成本函数的成本函数。权系数的更新由一个简单的最速下降递归，以最小化的全局和局部自适应算法的误差信号。仿真结果表明，特别是在非均匀噪声条件下的传感器网络中，所提出的加权扩散LMP算法的扩散LMP算法的优势。
2016-08-06 cs.IT math.IT stat.ML
Correlated quantization for distributed mean estimation and optimization
Google Research（谷歌研究院）
研究了通信约束下的分布均值估计和优化问题。我们提出了一个相关的量化协议，其领先的长期在误差保证取决于数据点的平均偏差，而不仅仅是他们的绝对范围。该设计不需要任何关于数据集浓度属性的先验知识，这是在以前的工作中获得这种依赖性所必需的。我们表明，应用该协议的子例程在分布式优化算法导致更好的收敛速度。我们还证明了我们的协议在温和的假设下的最优性。实验结果表明，我们提出的算法优于现有的均值估计协议在不同的任务集。
2022-07-08 cs.DS cs.IT cs.LG
An alternative approach for distributed parameter estimation under Gaussian settings
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
本文对多智能体网络上的分布线性参数估计问题提出了一种不同的方法。参数向量被认为是随机的高斯分布。每个代理处的传感器测量是线性的，并且被加性高斯白噪声破坏。在这种情况下，本文提出了一种新的分布式估计算法，融合的共识和创新的概念，将一致性条款（相邻估计）的创新条款。在分布参数可观测性假设下，我们设计了最优增益矩阵，使得分布估计是一致的，并实现了快速收敛。
2022-04-14 cs.IT cs.LG cs.SY
Dynamic Topology Adaptation Based on Adaptive Link Selection Algorithms for Distributed Estimation
University of York（约克大学）；CETUC / PUC-Rio（天主教里约热内卢大学研究与应用技术中心）；Princeton University（普林斯顿大学）
本文提出自适应链路选择算法用于分布式估计，并探讨其在无线传感器网络和智能电网中的应用。通过分析算法的稳定性、稳态和跟踪性能及计算复杂度，展示了其在估计精度和收敛速度上的优势，以及网络链路选择能力的提升。
2015-10-18 cs.IT cs.SY eess.SY
