网络中分布式估计的扩散信息理论学习

基于网络的分布式估计由于其广泛的适用性而受到了广泛的关注。 在扩散类型的分布式估计中,可以通过节点之间的扩散协作从噪声测量中很好地估计出感兴趣的参数。 同时,由于每个节点仅与其邻居交换信息,因此通信资源的消耗较低。 在先前的研究中,扩散分布估计中使用的大多数成本函数均基于均方误差(MSE)准则,该准则仅在测量噪声为高斯时才是最佳的。 但是,这种情况并不总是在现实环境中成立。 在非高斯情况下,信息理论学习(ITL)提供了比基于MSE的方法更通用的框架,并且具有更好的性能。 在这项工作中,我们将信息理论方法纳入扩散分布估计的成本函数中。 此外,提出了一种基于信息理论测度的自适应扩散策略,以进一步提高估计性能。 仿真结果表明,在将噪声建模为非高斯噪声的情况下,基于扩散ITL的分布式估计方法与标准扩散最小均方(LMS)算法相比,可以获得更高的性能。