[发明专利]一种针对非高斯噪声的扩散式变步长自适应参数估计方法

说明书

一种针对非高斯噪声的扩散式变步长自适应参数估计方法，该方法包括以下步骤：步骤1：初始化参数；步骤2：自适应运算；步骤3：融合；步骤4：迭代至满足停止条件，得到权向量局部估计值即为滤波器系数的估计值。具有如下优点：引入稳健估计理论中抗异常值能力强的Wilcoxon范数作为代价函数并根据其取值特点进行了符号量化，推导出了新的迭代方程，很好地抑制了非高斯噪声的影响；采用迭代方式实现了误差向量对步长的控制，在初始阶段和接近收敛阶段选择不同的步长，从而在一定程度上缓解了方法在收敛性能和稳态性能间的矛盾。

技术领域

本发明属于信号处理领域，主要涉及分布式自适应滤波和非高斯噪声抑制，具体为一种针对非高斯噪声的扩散式自适应参数估计方法。

背景技术

分布式自适应估计是一种多节点协作的信息处理方式，即传感器网络中的各个节点均通过自适应迭代方式参与计算，并按照特定的协作策略与邻居节点进行信息交互，从而实现对感兴趣参数的有效估计。在各种节点协作策略中扩散策略更具灵活性和适应性，适于实现大规模网络参数的自适应估计。根据输入信号的特性不同，扩散式自适应估计方法可分为白输入信号方法和有色输入信号方法。最早提出的扩散式自适应估计方法——文献1《Diffusion least-mean squares over adaptive networks:Formulation andperformance analysis》(IEEE Transactions on Signal Processing，2008，LopesCassio G and SayedAli H)就是在白输入信号的假设之下得到的，对于有色输入信号该类方法的性能退化严重。为此，各种针对有色输入信号的方法相继出现，如文献2《Animproved diffusion affine projection estimation algorithm forwirelesssensornetworks》(Circuits,Systems,and Signal Processingn，2020，Hu Limei,ChenFeng,Duan Shukai,et al.)通过对输入数据的重用来保证在输入信号存在相关性时仍快速收敛。为了便于方法分析，该方法简单地假设系统加性噪声为符合大数定理的高斯分布。但是，实际应用中往往会遇到由大气、同信道干扰、节点失效等原因造成的具有脉冲特性的非高斯噪声，这类噪声在幅度上的强脉冲性会导致传统基于高斯假设的二阶统计量方法发生性能退化甚至完全失效，而DAPA方法恰恰是基于二阶统计量的，故其不适用于非高斯噪声。文献3《Diffusion sign-error LMS algorithm:Formulation and stochasticbehavior analysis.(Signal Processing,2016,NI Jingen,CHEN Jie Chen,and CHENXiaoping)引入了符号函数对文献1的DLMS算法进行了扩展，使其适合于非高斯噪声条件下。稳健统计量法是目前主流的非高斯噪声抑制方法，文献4《Diffusion maximumcorrentropy criterion algorithms for robust distributed estimation》(DigitalSignal Processing,2016，MAWentao,CHEN Badong,DUAN Jiandong,et al.)，引入最大相关熵的概念，在迭代过程中减少非高斯噪声的影响。

但是，上述方法在迭代过程中采用的步长都是固定的，这样做的缺陷是当步长较大时，自适应过程能够快速收敛，但稳态误差较大；当步长较小时，稳态误差减小，但方法的收敛速度相对较慢。

发明内容

发明目的：

基于以上考虑，为进一步提高分布式自适应滤波方法的性能和鲁棒性，本发明基于Wilcoxon范数提供一种针对非高斯噪声的扩散式变步长自适应参数估计方法，其目的是解决以往所存在的问题，包括输入信号存在相关性导致的方法收敛速度变慢；具有脉冲特性的非高斯背景噪声导致的二阶统计量方法发生性能退化；固定步长导致的收敛速度和稳态误差间的矛盾难以调和。

技术方案：