首页/论文/2102.02730

arXiv 2102.027302021-02-15cs.ITcs.LGcs.SYeess.SPeess.SYmath.ITmath.OC

并行ACGN信道的反馈容量与卡尔曼滤波器：带反馈的功率分配

Feedback Capacity of Parallel ACGN Channels and Kalman Filter: Power Allocation with Feedback

New York University（纽约大学）

Song Fang, Quanyan Zhu

备注：: arXiv admin note: text overlap with arXiv:2001.03108

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们涉及的反馈能力的并行加性高斯有色噪声（ACGN）信道的一个变种的卡尔曼滤波器。通过这样做，我们得到这样的信道的反馈容量的下限，以及相应的反馈（递归）编码方案，这基本上是反馈的功率分配政策，以实现的界限。结果被认为是减少到现有的下界的情况下，一个单一的ACGN反馈信道，而当它涉及到并行加性高斯白噪声（AWGN）信道的反馈，递归编码方案减少到反馈“注水”功率分配政策。

英文摘要：

In this paper, we relate the feedback capacity of parallel additive colored Gaussian noise (ACGN) channels to a variant of the Kalman filter. By doing so, we obtain lower bounds on the feedback capacity of such channels, as well as the corresponding feedback (recursive) coding schemes, which are essentially power allocation policies with feedback, to achieve the bounds. The results are seen to reduce to existing lower bounds in the case of a single ACGN feedback channel, whereas when it comes to parallel additive white Gaussian noise (AWGN) channels with feedback, the recursive coding scheme reduces to a feedback "water-filling" power allocation policy.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

非理想确认和能量捕获约束下的丢包链路Kalman滤波能量优化分配

Optimal Energy Allocation for Kalman Filtering over Packet Dropping Links with Imperfect Acknowledgments and Energy Harvesting Constraints

针对线性随机动力系统的远程状态估计问题，提出了一种基于能量收集技术的传感器最优传输能量分配的设计方法。在这个框架中，传感器测量值作为系统状态的噪声版本通过分组丢弃通信信道发送到接收器。信道的丢包率既取决于传感器的传输能量，也取决于时变无线衰落信道增益。传感器可以访问能量收集源，与具有固定能量存储的传统电池相比，该能量收集源是一种持久但不可靠的能量源。接收机执行最佳状态估计与随机丢包，以最小化估计误差协方差的基础上接收到的测量。接收器还经由本身是分组丢弃的错误反馈通信信道向传感器发送分组接收应答。我们的目标是在能量收集传感器处设计最优传输能量分配，以最小化接收器的卡尔曼滤波器的预期估计误差协方差的迹线的有限时间范围总和或长期平均值（无限时间范围）。这些问题被制定为马尔可夫决策过程的不完美的状态信息。利用动态规划技术得到了最优输电能量分配策略。利用子模块度的概念，研究了最优传输能量策略的结构。次最优解也进行了讨论，这是远远低于最优解计算密集。数值模拟结果说明了能量分配算法的性能。

2014-02-26cs.ITmath.ITmath.OC

量化卡尔曼滤波中不可靠存储器能量效率的优化

Optimizing the Energy Efficiency of Unreliable Memories for Quantized Kalman Filtering

本文提出了一种利用不可靠存储器实现的量化卡尔曼滤波器。我们认为，量化和不可靠的记忆在计算中引入错误，并开发一个误差传播模型，考虑到这两个来源的错误。除了提供更新的卡尔曼滤波器方程，所提出的误差模型准确地预测估计误差的协方差，并给出滤波器的性能和它的能量消耗之间的关系，取决于存储器中的噪声水平。然后，由于存储器是负责的嵌入式系统的能量消耗的很大一部分，优化方法的介绍，以便最大限度地减少存储器的能量消耗下所需的估计性能的过滤器。第一种方法分别计算分配给每个存储体的最佳能量水平，第二种方法优化每组存储体的能量分配。仿真结果表明，理论分析和实验结果之间的密切匹配。此外，它们还能显著降低50%以上的能耗。

2021-09-03cs.ITeess.SPmath.IT

基于高斯置信传播的分布式卡尔曼滤波器

Distributed Kalman Filter via Gaussian Belief Propagation

最近的结果表明，如何分布式和有效地计算线性MMSE的多用户检测问题，使用高斯BP算法。在目前的工作中，我们扩展了这种结构，并表明，操作该算法两次匹配的输入，有几个有趣的解释。首先，我们证明了等价于计算一个迭代的卡尔曼滤波器。其次，我们证明了卡尔曼滤波器是高斯信息瓶颈算法的一个特例，当权参数$β= 1$。第三，我们讨论了仿射尺度邻近点法的关系，并指出它是卡尔曼滤波器的一个特例。除了这种链接估计，压缩/聚类和优化的理论兴趣，我们允许一个单一的分布式实现这些算法，这是一个非常实用和重要的任务，在传感器和移动ad-hoc网络。许多问题领域的应用包括通信网络中的协作信号处理和分布式资源分配。

2008-10-09cs.ITmath.IT

多传感器无线信道状态估计：渐近行为和最优功率分配

State Estimation Over Wireless Channels Using Multiple Sensors: Asymptotic Behaviour and Optimal Power Allocation

本文研究了多传感器线性系统的状态估计问题，包括多址接入和正交接入两种情况。最佳状态估计可以在融合中心使用时变卡尔曼滤波器来实现。我们发现，在许多情况下，估计误差协方差衰减率为$1/M$时，传感器的数量$M$是大的。我们考虑最优分配的传输功率，1）最小化的总功率使用受到误差协方差约束和2）最小化的误差协方差受到总功率约束。在具有信道状态信息的衰落信道的情况下，使用贪婪方法解决优化问题，而对于没有信道状态信息但具有信道统计信息的衰落信道，导出次优线性估计器。

2009-06-11cs.ITmath.IT

分布式放大转发传感器网络参数跟踪的最优功率分配

Optimal Power Allocation for Parameter Tracking in a Distributed Amplify-and-Forward Sensor Network

我们考虑传感器网络中的最优功率分配问题，其中传感器在噪声中观察动态参数，并将其观测结果相干放大并转发到融合中心（FC）。FC使用的观测值在一个卡尔曼滤波器跟踪的参数，我们展示了如何找到最佳的增益和相位的传感器传输下的全球和个人的功率约束，以尽量减少均方误差（MSE）的参数估计。对于全局功率约束的情况，可以获得封闭形式的解。一个数值优化是需要个人的权力约束，但问题可以放宽到一个半定规划问题（SDP），我们表明，最佳结果可以从SDP的解决方案。我们还研究了在MSE约束下最小化全局和个体功耗的对偶问题。如前所述，当最小化总功率时，可以找到封闭形式的解决方案，而当最小化最大个体传感器功率时，从SDP的输出构造最优解决方案。为了比较的目的，我们推导出一个精确的表达式的中断概率的MSE等功率传输，这可以作为最优功率控制的情况下的上限。最后，我们给出了几个仿真的结果，以表明与非优化方法（即，等功率传输）。

2014-01-20cs.ITmath.IT

基于双向高斯过程回归和AoI-Aware调度的预测控制与通信协同设计

Predictive Control and Communication Co-Design via Two-Way Gaussian Process Regression and AoI-Aware Scheduling

本文研究了控制大量执行器的上行链路-下行链路调度和功率分配的联合问题，这些执行器将其状态上传到远程控制器并通过无线链路下载控制动作。为了克服无线资源的缺乏，我们提出了一种基于机器学习的解决方案，其中只有一小部分致动器被控制，而其余的致动器通过使用先前的上行链路和/或下行链路接收经由高斯过程回归（GPR）本地预测丢失的状态和/或动作信息来致动。该GPR预测可信度是使用最新接收的信息年龄（AoI）来确定的。此外，成功的接收受到发射功率的影响，要求通信和控制操作的协同设计。为此，我们制定了一个网络范围内的最小化问题的平均AoI和传输功率下的通信可靠性和控制稳定性约束。为了解决这个问题，我们提出了一个动态控制算法，使用李雅普诺夫漂移加惩罚优化框架。数值结果证实，所提出的算法可以稳定地控制$2$ x更多数量的执行器相比，事件触发调度基线与卡尔曼滤波和频分多址，这是$18$ x大于循环调度基线。

2021-01-27cs.ITmath.IT