Distributed Estimation over Adaptive Networks

Distributed Estimation over Adaptive Networks. PhD thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF
My_Thesis_Final.pdf

Download (1MB) | Preview

Arabic Abstract

تبين مؤخرا الكثير من الاهتمام في تقدير المعلمة باستخدام شبكات الاستشعار اللاسلكية المخصصة, تخلو شبكات الاستشعار اللاسلكية المخصصة من مركز انصهار مركزي وبالتالي فان لديها بنية موزعة. لقد تم اقتراح العديد من الخوارزميات في الأدب من أجل استغلال هذه البينية الموزعة من اجل تحسين التقدير, سميت إحدى الخوارزميات والتي كانت عمليا ذات بنية موزعة كليا بخوارزمية (DMLS). في هذا العمل أدرج متغيرات لخوارزمية (DMLS). أول خوارزمية طورت من خوارزمية (DLMS) وذلك من خلال تغير حجم الخطوة ومن هنا تم إعداد خوارزمية (DMLS) ذات حجم خطوة متغير (VSSDLMS). تمت المقارنة مع خوارزمية (VSSLMS) ومن ثم يتم اختيار أنسب خوارزمية عرفت بتقديم أفضل مفاضلة بين الأداء والتعقيد. تم بعد ذلك اشتقاق خوارزمية باستخدام قيد معرفة تفاوت الضوضاء, هذه الخوارزمية قريبة من خوارزمية (VSSDLMS) لكنها حسابيا أكثر تعقيدا. تم إجراء تحاليل الالتقاء والحالة الثابتة بشكل مفصل لكلا الخوارزميتين. تم دراسة تأثير عدم التطابق في تفاوت الضوضاء للخوارزمية المعتمدة على القيد. تم إجراء محاكاة واسعة النطاق لتقييم أداء الخوارزميات المقترحة, وكانت نتائج هذه المحاكاة معززة لما هو في النتائج النظرية. تم أخيرا التحقق من سيناريو جديد. جميع الخوارزميات الموجودة في الأدب تفترض معرفة بيانات المتغير المستقل (Regressor), ومع ذلك فان هذه المعلومات غير متوفرة دائما. في هذا العمل تم دراسة الخوارزمية العمياء للشبكات المتكيفة. تم باستوحاء من طرق التقدير العمياء ذات إحصاءات الدرجة الثانية أولا تحويل خوارزميتين إلى خوارزمية عمياء ذات كتلة عودية. بعد ذلك هذه الخوارزمية تم تطبيقها على سيناريو شبكة متكيفة باستخدام نظام النشر. وتم تنفيذ نتائج المحاكاة لتقييم أداء خوارزميات تحت سيناريوهات مختلف.

English Abstract

Recently a lot of interest has been shown in parameter estimation using ad hoc wireless sensor networks. An ad hoc wireless sensor network is devoid of any centralized fusion center and thus, has a distributed structure. Several algorithms have been proposed in the literature in order to exploit this distributed structure in order to improve estimation. One algorithm that was practically sound as well as fully distributed was called Diffusion LMS (DLMS) algorithm. In this work, variations to the DLMS algorithm are incorporated. The first algorithm improves the DLMS algorithm by varying the step-size of the algorithm and eventually the Variable Step-Size DLMS (VSSDLMS) algorithm is setup. Well known VSSLMS algorithms are compared, then the most suitable algorithm identified to provide the best trade-off between performance and complexity is chosen. Next, an algorithm is derived using the constraint that the noise variance is known. This algorithm is akin to the VSSDLMS algorithm but is computationally more complex. Convergence and steady-state analyses are carried out in detail for both algorithms. The effect of mismatch in noise variance estimate is studied for the constraint based algorithm. Extensive simulations are carried out to assess the performance of the proposed algorithms. Simulation results are found to corroborate the theoretical findings. Finally a new scenario is investigated. All the algorithms existing in literature assume knowledge of regressor data. However, this information is not always available. This work studies blind algorithms for adaptive networks. Inspired by second order statistics based blind estimation methods, two algorithms are first converted into recursive block blind algorithms. Then these algorithms are applied to the adaptive network scenario using the diffusion scheme. Simulation results are carried out to assess the performance of the algorithms under different scenarios.

Item Type: Thesis (PhD)
Subjects: Electrical
Department: College of Engineering and Physics > Electrical Engineering
Committee Advisor: Zerguine, Azzedine
Committee Co-Advisor: Zummo, Salam A.
Committee Members: Sheikh, Asrar U.H. and Deriche, Mohamed A. and Al-Naffouri, Tareq Y.
Depositing User: MOHAMMED BIN SAEED (007053622)
Date Deposited: 01 Oct 2011 08:43
Last Modified: 01 Nov 2019 15:30
URI: http://eprints.kfupm.edu.sa/id/eprint/138519