Implementing distributed graph filters by elementary matrix decomposition
在这封信中，我们考虑分布式图滤波器的实现问题，其中每个节点只能访问当前及其相邻节点的信号。通过使用高斯消除，我们表明，只要图是连接的，我们可以实现任何图滤波器分解成一个产品的直接可实现的过滤器，过滤器，只使用在当前和相邻节点的信号作为输入的过滤器。我们还包括一个具体的例子作为说明。
2019-09-11 eess.SP
Advances in Distributed Graph Filtering
图滤波器是图信号处理的核心工具之一。它们的一个核心方面是它们的直接分布式实现。然而，过滤性能通常与分布式通信和计算节省进行交易。为了改善这种权衡，这项工作将最先进的分布式图滤波器推广到每个节点都用不同的值对其邻居的信号进行加权的滤波器，同时保持聚合操作的线性。这种新的实现，标记为边变图过滤器，产生了显着减少的通信轮，同时保持近似精度。此外，我们还刻画了可以用边变递归描述的平移不变图滤波器的子集。通过使用低维参数化，所提出的图滤波器通过局部算子的连续和组合提供了近似线性算子的见解，即，固定的支持矩阵，其跨越图形信号处理领域之外的应用。一组数值结果显示了优势的边变滤波器在当前的方法，并说明了它们的潜力，以更广泛的应用比图过滤。
2018-08-09 eess.SP
Polynomial graph filter of multiple shifts and distributed implementation of inverse filtering
多项式图滤波器及其逆滤波器在图信号处理中起着重要的作用。多项式图过滤器的优点在于它们可以以分布式方式实现，这仅涉及相邻顶点之间的数据传输。在逆滤波中出现的挑战是，直接实现可能遭受高计算负担，因为逆图滤波器通常具有全带宽，即使原始滤波器具有小带宽。本文研究了多移位多项式图滤波器的逆滤波过程的分布式实现，提出了两种可在分布式网络中实现的迭代近似算法，其中每个顶点都配备了有限的数据存储系统，计算能力和与相邻顶点的数据交换设施。我们还证明了所提出的迭代近似算法的有效性，以实现逆滤波过程和其令人满意的性能去噪随时间变化的图形信号和数据集的美国每小时的温度在218个位置。
2021-11-05 cs.IT eess.SP math.IT
Observation of Periodic Systems: Bridge Centralized Kalman Filtering and Consensus-Based Distributed Filtering
与线性时不变系统相比，线性周期系统可以更精确地描述自然界和工程中产生的周期过程。然而，系统参数的时变增加了周期系统的镇定和观测等研究的难度。本文的目的是考虑的观测问题的周期系统的传感器网络桥接两个基本的过滤算法周期系统：基于测量的共识分布式滤波（CMDF）和集中式卡尔曼滤波（CKF）。首先，基于一致集体能观性建立了CMDF的一个温和收敛条件，在此条件下，CMDF的滤波性能可以表示为离散时间周期Lyapunov方程的对称周期半正定（SPPS）解.然后，CMDF和CKF之间的性能差距的封闭形式给出的信息融合步骤和网络的一致性权重。同时指出，随着融合步数趋于无穷大，CMDF的估计误差协方差指数收敛于集中式估计误差协方差。总之，这些新的结果建立了一个简洁和具体的分布式和集中式过滤之间的关系，并制定周期性系统的通信成本和分布式过滤性能之间的权衡。最后，通过数值实验对理论结果进行了验证.
2023-03-15 eess.SP
On the distributions of some statistics related to adaptive filters trained with $t$-distributed samples
在本文中，我们分析自适应滤波器或检测器的行为时，他们训练的$t$分布的样本，而不是高斯分布的样本。更准确地说，我们调查的一些相关的统计，包括信噪比损失和高斯广义似然比检验的分布的影响。本文导出了分块复$F$分布矩阵的一些性质，使之能够得到关于独立卡方分布随机变量的统计表示。这些表示相比，其高斯同行和数值模拟说明和量化的诱导退化。
2021-03-03 eess.SP math.ST stat.TH
Distributed Gaussian Mixture PHD Filtering under Communication Constraints
针对分布式多目标跟踪中现有GM-PHD滤波存在的成本高或收敛性无保障问题，提出一种采用概率通信规则、基于高斯混合加权平均一致性的递推方法，在限制带宽的同时保证渐近最优性，可避免误检，适用于资源受限传感器网络。
2023-08-01 eess.SP
Convergence Analysis of l0-RLS Adaptive Filter
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
本文给出了稀疏感知l0-RLS自适应滤波器的一阶和二阶收敛性分析。定理1和2陈述了自适应滤波器权重向量的均值和均方差的稳态值。
2017-10-16 cs.LG eess.SP
Wiener filters on graphs and distributed polynomial approximation algorithms
在本文中，我们考虑维纳滤波器重建确定性和（宽带）固定图信号从他们的观察破坏随机噪声，我们提出了分布式算法来实现维纳滤波器和逆滤波器的网络中，代理配备了有限的数据存储和计算能力的数据处理子系统，并且具有一跳通信子系统，用于仅与它们的相邻代理进行直接数据交换。提出的分布式多项式逼近算法是一种基于Jacobi多项式逼近和Chebyshev插值多项式逼近立方上解析函数的指数收敛拟牛顿方法。我们的数值模拟结果表明，维纳滤波过程中去噪（宽带）平稳信号比Tikhonov正则化方法做得更好，和建议的多项式逼近算法收敛速度比Chebyshev多项式逼近算法和梯度下降算法做的实施与多项式滤波器的交换图移位的逆滤波过程。
2022-05-09 cs.IT eess.SP math.IT
Particle Filtering Convergence Results for Radiation Source Detection
最近的研究表明，在一定的假设下，粒子滤波方法的弱收敛性-分布收敛。然而，粒子滤波方法的一些应用，如辐射源定位问题，可以被证明具有以下意义上的扩展收敛。使用统计独立的测量和测量过程中，不依赖于状态空间的假设，我们证明了收敛的后验和粒子滤波算法的近似真实狄拉克分布特征的源位置。我们设计了一个采样重要性呼吸（SIR）过滤器检测和定位辐射源使用的传感器网络。为了数值评估这种粒子滤波器的有效性，我们采用它来解决源定位问题，从智能辐射传感器系统（IRSS）的测试和数值模拟的城市域数据，使用射线跟踪模型的实验开放领域的数据集。然后，我们证明了状态后验概率密度函数的估计的理论收敛性。
2020-04-19 eess.SP
A Distributed Adaptive Algorithm for Non-Smooth Spatial Filtering Problems
在无线传感器网络中计算空间滤波问题的最优解，如果使用依赖于数据集中的方法，则会产生大的带宽和计算需求。所谓的分布式自适应信号融合（DASF）算法通过使节点协作地解决原始优化问题的低维版本来解决这个问题，仅依赖于节点之间的传感器数据的压缩视图的交换。然而，DASF算法仅被证明收敛于可以表示为平滑优化问题的滤波问题。在本文中，我们探讨了一个扩展的DASF算法的一个家庭的非光滑空间滤波问题，允许添加非光滑正则化的优化问题，这可以例如用于执行节点选择，并消除节点不有助于过滤器的目标，因此进一步降低通信成本。我们提供了非光滑DASF算法的收敛性证明，并通过静态和自适应环境下的仿真验证了其收敛性。
2023-02-28 eess.SP
Optimized Quantization in Distributed Graph Signal Filtering
分布式图信号处理算法要求网络节点通过交换消息进行通信，以实现共同的目标。这些消息在现实网络中具有有限的精度，这可能需要实现消息量化。量化又可能在分布式处理任务中产生失真和性能损失。本文提出了一种新的方法，分布式图过滤，最大限度地减少由于消息量化的错误，而不损害通信成本。它首先限制交换的消息，然后以优化的方式将有限的比特预算分配给不同的消息和网络节点。特别是，我们的新的量化算法适应的网络拓扑和分布式处理任务中的消息的重要性。我们的研究结果表明，该方法是有效的，在最大限度地减少由于量化的误差，它允许优于基线分布式算法时，比特预算是有限的。他们进一步表明，在具有高偏心率的节点中或在分布式算法的第一步中产生的误差对全局误差的贡献更大。此外，稀疏和不规则的图需要更不规则的位分布。我们的方法提供了一个第一个量化的解决方案，分布式图处理，这是能够适应目标任务，图形属性和通信约束。
2019-09-27 eess.SP
Distributed Adaptive Spatial Filtering with Inexact Local Solvers
本文研究了DASF框架在采用非精确有限时间局部求解器（如梯度下降、牛顿法）时的收敛性与最优性，给出了求解器需满足的充分条件及收敛速率下界，并通过数值仿真验证了理论结果。
2024-05-06 eess.SP
A Distributed Adaptive Algorithm for Non-Smooth Spatial Filtering Problems in Wireless Sensor Networks
针对无线传感器网络中依赖融合中心导致能耗高的问题，提出扩展分布式自适应信号融合算法以处理非光滑优化，支持稀疏范数实现分布式传感器选择，降低能耗并验证收敛与性能。
2024-03-13 eess.SP
Online Distributed Learning over Graphs with Multitask Graph-Filter Models
在这项工作中，我们感兴趣的是自适应和分布式估计流数据的图过滤器。我们制定这个问题作为一个共识估计问题的图，这可以解决扩散LMS策略。大多数流行的图移位算子，例如基于图拉普拉斯矩阵或邻接矩阵的那些，不是能量保持的。这可能导致病态估计问题，并降低分布式算法的收敛速度。为了解决这个问题，提高瞬态性能，我们介绍了一种预处理图扩散LMS算法。我们还提出了一个计算效率的版本，该算法通过近似的Hessian矩阵与本地信息。性能分析的平均值和均方意义上提供。最后，我们考虑一个更一般的问题，估计的滤波器系数可能会有所不同的图形。为了避免大的估计偏差，我们引入了一个无监督的聚类方法，用于将全局估计问题分解为局部估计问题。数值结果表明了算法的有效性，验证了理论分析的正确性.
2019-12-12 eess.SP
Stability and Convergence of Stochastic Particle Flow Filters
在本文中，我们研究动态特性的粒子流最近派生的参数化家庭的随机粒子流过滤器的非线性过滤和贝叶斯推理。特别是，我们建立了粒子保持所需的后验分布，没有高斯假设的测量可能性。采用李雅普诺夫稳定性的概念，我们进一步表明，粒子保持接近，但不收敛到后验分布的最大似然估计。结果表明，该随机粒子流滤波器族保持了粒子流的稳定性。
2021-08-11 eess.SP math.PR
Distributed fusion filter over lossy wireless sensor networks with the presence of non-Gaussian noise
针对无线传感器网络中非高斯噪声与数据包丢失并存的分布式状态估计问题，本文提出广义丢包模型及DM-MCKF-DPD算法，并给出收敛性条件与复杂度分析，仿真验证其有效性。
2023-07-07 eess.SP
Distributed Multichannel Wiener Filtering for Topology-Unconstrained Wireless Acoustic Sensor Networks
KU Leuven（荷语鲁汶大学）；Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西埃茨基大学）；Fraunhofer IDMT（弗劳恩霍夫工业应用声学研究所）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
研究拓扑无约束的无线声学传感器网络中分布式节点特定信号估计问题，提出TI-dMWF算法，通过交换低维融合信号计算集中式多通道维纳滤波器解，单次运行达集中式估计性能，分析了延迟、复杂度及鲁棒性。
2026-07-08 cs.IT eess.AS eess.SP
Convergence of Message-Passing for Distributed Convex Optimisation with Scaled Diagonal Dominance
本文研究了凸优化问题的消息传递算法的收敛性。在两两分离和对角优势的假设下，建立了算法的渐近收敛，并给出了消息传递的收敛速度的一个简单界。与已有的结果相比，我们的结果不要求给定的凸规划具有已知的凸两两分量，并且我们的收敛速度的界更紧更简单.当专门二次优化，我们概括已知的结果，提供了一个非常简单的界的收敛速度。
2019-04-09 eess.SP math.OC
On the convergence of the distributed proximal point algorithm
本文研究了分布式近端点算法在 Rd 上的收敛性与稳定性，给出了步长和代价函数的一般稳定条件，证明其以步长 η>0 指数收敛到最优解的 O(η) 邻域，并通过数值实验验证了理论结果。
2023-07-10 eess.SP math.OC
