發(fā)布時間：2020-04-08 06:06

【摘要】：隨著現(xiàn)代通信技術(shù)、嵌入式系統(tǒng)、分布式計算系統(tǒng)的蓬勃發(fā)展,傳感器網(wǎng)絡上的分布式信息處理受到了越來越廣泛的關(guān)注。為實現(xiàn)傳感器網(wǎng)絡上更加可靠更加魯棒的信息處理,完全去中心化的分布式處理機制逐漸被提出。在本文,我們考慮網(wǎng)絡中的各節(jié)點使用自身采集的數(shù)據(jù)進行局部計算,并且與鄰居節(jié)點進行少量的信息交換,從而實現(xiàn)完全去中心化的分布式信息處理。在當前的分布式信息處理的算法研究中,數(shù)據(jù)建模主要分為兩種模式:頻率建模和貝葉斯建模�；�于頻率建模的分布式算法已被廣泛研究,而基于貝葉斯建模的分布式算法則相對較少。一方面是由于貝葉斯模型本身相較于非貝葉斯模型會更復雜,研究的難度更高;另一方面是由于貝葉斯模型中的參數(shù)估計和推斷問題往往是非常困難的。雖然存在困難,但貝葉斯建模具有許多優(yōu)點。首先,貝葉斯方法基于概率論能夠?qū)δＰ徒Y(jié)構(gòu)、參數(shù)和數(shù)據(jù)噪聲的不確定性進行建模。其次,通過貝葉斯法則我們能夠推斷未知參數(shù)、調(diào)整模型、從數(shù)據(jù)中學習并作出預測。關(guān)于分布式貝葉斯學習的研究具有很高的學術(shù)和應用價值。然而在貝葉斯學習中,后驗概率的計算通常存在困難。一種經(jīng)典且廣泛使用的近似方法是變分貝葉斯。本文針對網(wǎng)絡上的貝葉斯學習問題,系統(tǒng)地研究了分布式變分貝葉斯算法及其在聯(lián)合稀疏信號恢復、魯棒卡爾曼濾波和擴展目標跟蹤問題中的應用。具體地,針對貝葉斯框架下的分布式推斷/估計問題,本文提出了兩種通用的分布式變分貝葉斯算法,可適用于一大類共軛指數(shù)族模型。我們基于概率空間的黎曼幾何,將關(guān)于概率分布的優(yōu)化問題轉(zhuǎn)化關(guān)于自然參數(shù)向量的優(yōu)化問題。然后基于隨機自然梯度和擴散策略,以及基于交替方向乘子法(ADMM),分別對優(yōu)化問題進行求解。我們將這兩種算法應用于貝葉斯高斯混合模型的分布式推斷/估計問題中。仿真結(jié)果表明,本文提出的分布式算法具有與相對應的集中式算法相接近的性能。針對分布式聯(lián)合稀疏信號恢復問題,本文提出了一種基于量化通信的聯(lián)合稀疏貝葉斯學習算法。在以往的工作中,一般假設節(jié)點間的傳輸數(shù)據(jù)是實值的并且具有無限精度。但實際情況下,由于傳感器網(wǎng)絡具有有限的通信帶寬和信道容量,對傳輸數(shù)據(jù)進行數(shù)字量化不可避免。本文考慮傳輸數(shù)據(jù)是被量化的。我們建立了一個完全層次聯(lián)合稀疏貝葉斯學習模型,并提出一個新的分布式變分貝葉斯算法,其節(jié)點間僅交換量化數(shù)據(jù)。我們從理論上分析了該量化分布式算法的收斂性。仿真實驗表明,量化分布式算法甚至比相對應的非量化分布式算法和集中式算法具有更好的信號恢復性能。針對分布式卡爾曼濾波問題,本文考慮了過程和量測噪聲的協(xié)方差都是未知的情況,提出了一種分布式且在線的魯棒卡爾曼濾波算法。我們引入了一個改進的狀態(tài)空間模型并提出了相應的貝葉斯模型。該模型能夠處理野值和重尾噪聲,并且能提高卡爾曼濾波器的魯棒性。使用此模型,我們通過變分貝葉斯方法推導了集中式的魯棒卡爾曼濾波。然后使用ADMM方法將其擴展到分布式場景下。仿真實驗表明,當測量數(shù)據(jù)或目標狀態(tài)存在野值時,該分布式魯棒卡爾曼濾波算法比標準的卡爾曼濾波算法性能好得多。針對目標跟蹤問題,傳統(tǒng)的方法一般假設目標是一個點目標。在本文,我們考慮目標是具有一定空間結(jié)構(gòu)的物體,其不僅包括運動狀態(tài)還包括物體的輪廓。針對傳感器網(wǎng)絡中的擴展目標跟蹤問題,我們提出一種分布式貝葉斯模型�；�于該模型,我們先通過變分貝葉斯方法推導了一個集中式的擴展目標跟蹤算法,然后基于ADMM提出了相應的分布式算法。該算法能夠同時估計擴展目標狀態(tài)(運動狀態(tài)和輪廓)以及量測噪聲協(xié)方差。最后,仿真實驗表明,該算法在擴展目標跟蹤和群目標跟蹤兩個場景下都有上佳的性能表現(xiàn)。
【圖文】：

在傳統(tǒng)的集中式處理機制中，一般需要一個具有強大計算能力和數(shù)據(jù)存儲能力的中心逡逑節(jié)點（中央處理點），它能夠采集并存儲傳感器網(wǎng)絡中所有節(jié)點的觀測數(shù)據(jù)，并進行信息逡逑處理。如圖１．１所示，由于傳感器節(jié)點自身能量和帶寬的限制，其通信范圍受限，需要通過逡逑多跳的方式才能把觀測數(shù)據(jù)傳輸?shù)街行墓?jié)點。這種集中式處理方式所需要的通信量較大，逡逑每個傳感器節(jié)點的通信耗能高，因而會降低節(jié)點的使用壽命。此外，當某個節(jié)點失效或者逡逑通信鏈路出現(xiàn)故障時，這種集中式處理方式將易受到影響，網(wǎng)絡的魯棒性較差。由于各節(jié)逡逑點都將原始數(shù)據(jù)傳送到一個中心節(jié)點上，數(shù)據(jù)的隱私性無法得到保證，因此無線傳感器網(wǎng)逡逑絡的可靠性較差。逡逑與傳統(tǒng)的集中式處理相比，一種更可靠更魯棒的方式是分布式信息處理。這種分布式逡逑處理不需要一個具有強大計算能力的中心節(jié)點。在這種模式下，網(wǎng)絡中的各節(jié)點使用自身逡逑采集的數(shù)據(jù)進行局部計算，并與鄰居節(jié)點相互通信，交換少量的數(shù)據(jù)信息。傳感器節(jié)點組逡逑成網(wǎng)絡后

定義１（圖，節(jié)點，邊）．一個大小為ｉＶ的網(wǎng)絡表示為包括ｉＶ個節(jié)點的圖。一系列的邊將節(jié)點逡逑與節(jié)點相互連接。一個連向自身節(jié)點的邊稱為自環(huán)。通過邊相連的節(jié)點稱為鄰居節(jié)點。逡逑圖１．２給出了一個分布式信息處理的網(wǎng)絡拓撲示意圖。分布式信息處理是完全去中心逡逑化的，每個節(jié)點只與鄰居節(jié)點通信并交換信息，并不會通過多跳通信的方式將信息傳遞到逡逑非鄰居節(jié)點。本文考慮連通的傳感器網(wǎng)絡。對于一個連通網(wǎng)絡，總是存在一條路徑能夠連逡逑接網(wǎng)絡中的兩個節(jié)點：即兩個節(jié)點或者是通過一條邊相連接，或者是通過經(jīng)過中間節(jié)點的逡逑路徑相連接。因此，雖然節(jié)點未直接與非鄰居節(jié)點通信，但由于網(wǎng)絡是連通的，通過一定逡逑的信息交換機制，節(jié)點可以借助其鄰居節(jié)點將自身信息擴散到其他非鄰居節(jié)點，同時該節(jié)逡逑點也可以獲取來自非鄰居節(jié)點的信息。逡逑分布式信息處理就是在這種完全去中心的網(wǎng)絡中進行感知計算。一個設計良好的分布逡逑式算法能夠獲得與集中式算法接近的性能，同時保留所有網(wǎng)絡中分布式計算的優(yōu)勢。總結(jié)逡逑一下，與集中式處理機制相比，分布式處理機制有如下四個優(yōu)點：逡逑１）網(wǎng)絡通信量小。逡逑在傳統(tǒng)的集中式處理機制中
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP212.9

【參考文獻】

相關(guān)博士學位論文 前1條

1 王利民;貝葉斯學習理論中若干問題的研究[D];吉林大學;2005年

，

本文編號：2618995