随机性标量参数分布式量化的最优比特分配

本文研究了在总比特率设定的情况下,改良并给出表现更优的量化器,以及如何实现基于网络的随机标量参数分布式量化估计,重点讨论传感器比特数最优分配.与常规给定各传感器的量化比特率不同的是,本文将结合估计器算法使用和不同量化器的构建,来研究固定总比特率下的分配.文中的观测模型噪声服从高斯分布,并且以此模型为对象通过均匀量化探讨基于一般类型与线性估计器的最理想比特分配方式.前者均方误差上限与后者对应下限在高精度处理方案下结果几乎相同,都表现出网络中观测噪声误差反比于量化级数这一特性.此外还借用交替序列比特分配算法以确保求解出的数值解恒非负.最后从MATLAB仿真结果可以看到,本文给出的最优比特分配估计器较传统方案的表现更优.     

大规模不一致传感网络环境带宽受限下的分布式状态估计

无线传感器网络环境下受限于能量和带宽,传感器的观测往往需要经过量化后才发送,针对大规模不一致传感网络环境且带宽受限下的分布式状态估计,探讨了量化比特分配和估计性能评估问题。首先给出一种二进制概率量化方案,并基于量化观测构造线性无偏量化估计器。然后,考虑一个总的传输比特率限制下,得到了传感器的最优量化比特率及比特分配方案,由其信噪比(SNR)和总带宽确定。同时,对提出的量化估计器的均方误差上界进行了分析,发现其与理论下界仅相差一个小常数因子。最后,仿真结果表明,相比于一般的均匀比特分配,文中所提出的最优比特分配方案估计性能更优。     

传感器网络中的分布式滚动时域状态估计

利用分布式滚动时域方法对无线传感器网络的状态估计问题进行研究,给出了基于量化测量值的滚动时域估计算法。在无线传感器网络的环境下处理分布式状态估计问题时,减少通信的成本是非常重要的一个环节,需要将观测值量化后再传送。以往的滚动时域估计方法无法处理量化观测值的状态估计问题,而本文的方法考虑了最严格的观测值量化情况即传感器只发送一个比特至融合中心的状态估计问题。与其它传感器网络中的状态估计方法相比,该方法减少了每一步的计算量。仿真结果验证了该算法的有效性。     

无线传感器网络分布式量化卡尔曼滤波

本文针对无线传感器网络中的目标跟踪问题,研究了分布式量化卡尔曼滤波问题.由于网络中存在能量和带宽限制,传感器传输的数据必须经过量化处理.考虑一个线性离散随机动态系统,首先提出了一种动态Lloyd-Max量化器并设计了其在线更新方案,然后基于贝叶斯原理导出了递归形式的最优量化卡尔曼滤波器,同时给出了一种渐近等价的迭代算法,并进一步分析了量化卡尔曼滤波器的稳定性.最后,仿真结果验证了所设计算法的可行性与有效性.     

基于动态Lloyd-Max量化的网络化系统实时状态估计

针对网络化线性动态系统的实时状态估计,采用均方误差(MSE)作为性能准则,研究了最优实时量化与估计结构和具体实现方案。根据估计-量化分离原理,优化问题可以等效转换为一阶高斯-马尔可夫信源的最优量化与重构问题,分析了最优实时量化与估计的等效结构形式。基于向量Lloyd-Max量化原理和量化信源预测分布的高斯近似,设计了递推形式的动态Lloyd-Max量化与估计(DLMQE)实现方案,其中采用双边同步器利用发送端和接收端的共有信息实现编码与解码操作的同步,并导出了最优实时估计和误差协方差阵的解析形式。仿真结果表明,所提出的DLMQE方案估计性能优于现有的量化卡尔曼滤波器(QKF),且即使对于较低量化比特率的区域,DLMQE算法依然有效。     

离散随机奇异系统的最优融合全阶状态估值器

研究带多传感器和相关观测噪声的离散随机奇异系统的分布式融合状态估计问题.核心思想是将带多传感器的随机奇异系统转化为一个等价的非奇异系统组.在得到局部非奇异系统的状态估计后,利用线性最小方差意义下的最优加权融合算法,得到原系统的全阶最优融合滤波器和平滑器.仿真算例表明,融合估值器优于每个局部估值器.     

无线传感器网络中基于量化观测的粒子滤波状态估计

无线传感器网络环境下处理分布式状态估计问题,由于网络中的带宽限制,减少通信成本是非常重要的一个环节,需要将观测值量化后再传送.针对非线性系统的状态滤波问题,本文提出了一种基于量化观测的粒子滤波状态估计算法,并阐述了基于量化观测的状态估计过程.文中分别采用基于均匀量化(UQDPF)和非均匀量化(NUQDPF)观测的分布式粒子滤波算法进行状态估计,通过被动跟踪仿真实例,利用均方根误差(RMSE)比较了误差性能,并且比较了在不同量化级数下的非均匀量化算法的跟踪误差,仿真结果表明,基于非均匀量化观测的粒子滤波器具有更高的跟踪精度,是一种有效的非线性滤波算法.     

能量和带宽受限下的分布式一致性融合估计器

针对网络化多传感器分布式估计中传感器能量和通信网络带宽约束问题,提出一种基于降低发送频率和数据压缩降维的分布式一致性融合估计算法.为了满足通信网络带宽要求,各传感器节点直接选取局部估计信号的部分分量进行传输;与此同时,各节点随机间歇式发送数据包到其他节点来节省能量.在给定一致性权重下,建立以一致性估计器增益为决策变量,以所有传感器节点有限时域下状态融合估计误差协方差矩阵的迹的和为代价函数的优化问题,基于Lyapunov稳定性理论给出使得融合估计误差在无噪声时渐近稳定的一致性估计器增益存在的充分条件,并通过最小化代价函数的上界得到一组次优的一致性估计器增益值.最后,通过算例仿真验证算法的有效性.     

丢包和量化约束下的不确定系统分布式滚动时域估计

研究了数据丢包和量化约束下的随机不确定系统分布式状态估计问题.将丢包现象描述为随机Bernoulli序列,采用预测补偿机制对数据丢包进行补偿,将量化引入的误差转化为观测方程中的不确定参数,将系统的模型不确定性描述为系数矩阵受到随机扰动;利用固定时域内的所有观测值构造代价函数,将状态估计问题建模为带不确定参数的鲁棒最小二乘优化问题,并通过将矢量优化问题转化为单峰函数的标量优化问题,实现了鲁棒滚动时域局部估计器的快速求解;对局部估计器的稳定性进行研究,给出了估计误差范数平方期望收敛的充分条件.应用协方差交叉(CI)融合算法进行加权融合,得到了分布式融合估计器.最后通过仿真验证了所提算法的有效性.     

基于动态加权的量化分布式卡尔曼滤波

针对一个无融合中心传感器网络中的状态估计问题,提出一种基于量化信息的分布式卡尔曼滤波(QDKF)算法。首先,在分布式卡尔曼滤波(DKF)中,以节点状态估计精度为加权准则,动态选取加权矩阵,使得全局估计误差的协方差最小;然后,进一步考虑了网络带宽受限制的情况,在DKF算法中加入均匀量化器,节点之间通信使用量化后的信息,以减少网络通信的带宽需求。QDKF算法仿真采用了8 bit的均匀量化器,与Metropolis加权法和最大度加权法相比,动态加权法的状态估计均方根误差分别降低了25%和27.33%。实验结果表明,采用动态加权法的QDKF算法能提高系统的状态估计精度,减少带宽需求,适用于网络通信受限制的应用场合。     

An efficient sensor quantization algorithm for decentralized estimation fusion

In this paper, we consider the design problem of optimal sensor quantization rules (quantizers) and an optimal linear estimation fusion rule in bandwidth-constrained decentralized random signal estimation fusion systems. First, we derive a fixed-point-type necessary condition for both optimal sensor quantization rules and an optimal linear estimation fusion rule: a fixed point of an integral operation. Then, we can motivate an iterative Gauss–Seidel algorithm to simultaneously search for both optimal sensor quantization rules and an optimal linear estimation fusion rule without Gaussian assumptions on the joint probability density function (pdf) of the estimated parameter and observations. Moreover, we prove that the algorithm converges to a person-by-person optimal solution in the discretized scheme after a finite number of iterations. It is worth noting that the new method can be applied to vector quantization without any modification. Finally, several numerical examples demonstrate the efficiency of our method, and provide some reasonable and meaningful observations how the estimation performance is influenced by the observation noise power and numbers of sensors or quantization levels.     

Geometric piecewise uniform lattice vector quantization of the memoryless Gaussian source

The aim of this paper is to find a quantization technique that has low implementation complexity and asymptotic performance arbitrarily close to the optimum. More specifically, it is of interest to develop a new vector quantizer design procedure for a memoryless Gaussian source that yields vector quantizers with excellent performance and the structure required for fast quantization. To achieve this, we combined a fast lattice-encoding algorithm with a geometric approach to generate a model of a geometric piecewise-uniform lattice vector quantizer. Expressions for granular distortion and the optimal number of outputs points in each region were derived. Both exact and approximative asymptotic analyses were carried out. During this process, the constant probability density function of the input signal vector was kept inside the whole region. The analysis demonstrated the existence of piecewise-constant approximations to the input-vector probability density function, which is optimal for the proposed geometric piecewise-uniform vector quantizer. The considered quantization technique is near optimal for a memoryless Gaussian source. In other words, this paper proposes a method for a near-optimum, low-complex vector quantizer design based on probability density function discretization. The presented methodology gives a signal-to-quantization noise ratio that in some cases differs from the optimum by 0.1 dB or less. Improvements of the considered model in performance and complexity over some of the existing techniques are also demonstrated.     

等误差竞争学习算法在矢量量化中的应用

提出了一种使各区域子误差相等的矢量量化算法,算法利用小波变换后各子带间的相关性,合理构造矢量。采用最优矢量量化器设计原则,通过调整学习过程中各子区域的误差,使之趋于相等,改善总的期望误差,获得更接近全局最优的码书。实验表明,这种算法获得的码本优于其它几种算法。     

基于改进边缘匹配矢量量化的图象编码算法

边缘匹配（Side-Match）矢量量化器（SMVQ）是有限状态矢量量化器（FSVQ）的一个分支。该量化器适合于对图象块间相关性高的图象进行压缩编码,其优点是在比特率相近 的情况下,编码质量高于传统的穷尺搜索矢量量化编码器,但其缺点是计算量大和比特率固定。本文提出了一种改进的边缘匹配矢量量化器。测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量有所提高。     

应用多索引加法量化编码的近邻检索算法

目的 海量图像检索技术是计算机视觉领域研究热点之一,一个基本的思路是对数据库中所有图像提取特征,然后定义特征相似性度量,进行近邻检索。海量图像检索技术,关键的是设计满足存储需求和效率的近邻检索算法。为了提高图像视觉特征的近似表示精度和降低图像视觉特征的存储空间需求,提出了一种多索引加法量化方法。方法 由于线性搜索算法复杂度高,而且为了满足检索的实时性,需把图像描述符存储在内存中,不能满足大规模检索系统的需求。基于非线性检索的优越性,本文对非穷尽搜索的多索引结构和量化编码进行了探索新研究。利用多索引结构将原始数据空间划分成多个子空间,把每个子空间数据项分配到不同的倒排列表中,然后使用压缩编码的加法量化方法编码倒排列表中的残差数据项,进一步减少对原始空间的量化损失。在近邻检索时采用非穷尽搜索的策略,只在少数倒排列表中检索近邻项,可以大大减少检索时间成本,而且检索过程中不用存储原始数据,只需存储数据集中每个数据项在加法量化码书中的码字索引,大大减少内存消耗。结果 为了验证算法的有效性,在3个数据集SIFT、GIST、MNIST上进行测试,召回率相比近几年算法提升4%~15%,平均查准率提高12%左右,检索时间与最快的算法持平。结论 本文提出的多索引加法量化编码算法,有效改善了图像视觉特征的近似表示精度和存储空间需求,并提升了在大规模数据集的检索准确率和召回率。本文算法主要针对特征进行近邻检索,适用于海量图像以及其他多媒体数据的近邻检索。     

带事件触发机制的分布式量化随机无梯度投影算法

本文研究多智能体系统的分布式约束优化问题,系统中的每个智能体仅知道自身的局部目标函数和全局非空约束集,通过与邻居节点进行信息交互,最终协同求出优化问题的最优解.本文所提出的算法针对通信网络为时变不平衡有向图,且每个智能体不知道它的出度的情况.同时考虑到现实中通信带宽有限和通讯成本的限制,应用基于编译码方案的量化技术对节点之间的通讯信息进行预处理,再利用事件触发广播技术降低网络的通信次数.同时引入高斯光滑函数和随机无梯度方法替代传统的次梯度方法.本文提出了基于事件触发的分布式量化随机无梯度算法,在目标函数为凸且Lipschitz连续的条件下,证明了所提算法能收敛到最优值的邻域,同时给出了使量化器不饱和量化水平更新规则.最后通过数值仿真验证了算法的有效性和可行性.     

Optimization of multiple region quantizer for Laplacian source

This paper proposes a multiple region quantizer composed of quantizers defined on different disjunctive regions of an input signal. In particular, for the two region and the three region cases, the paper provides a complete optimization of a multiple region companded quantizer for the Laplacian source of unit variance. The analysis of the multiple region quantizer is limited to a three region case due to the complexity of the optimization problem and due to the fact that much more complex multiple region quantizer models obtained for a higher number of regions could slightly improve the performances. Two-stage optimization is performed with respect to the number of reconstruction levels of each quantizer composing the considered multiple region companded quantizer and with respect to the region bounds. It is shown that optimal parameters depend only on the fractional part of the required average bit rate. In order to design the three region optimal quantizer, Lloyd–Max's algorithm and Newton–Kantorovich iterative method are used with the three region optimal companded quantizer as the initial solution. The gradient Newton–Kantorovich iterative method is used to provide better convergence speed than Lloyd–Max's algorithm, which is essential in cases where effective initialization solution of Lloyd–Max's algorithm is missing. It is shown that the three region optimal companded quantizer have signal to quantization noise ratio value close to the one of the three region optimal quantizer, where a simpler design procedure is the benefit of the three region optimal companded quantizer over the three region optimal one.