.png){kind=icon}
返回
Deep unfolding-based trainable adaptive quantization for diffusion least mean square algorithm with error compensation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sigpro.2026.110733.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为缓解分布式自适应滤波中信息交换产生的巨大通信开销，基于扩散最小均方（DLMS）算法，发展了包括部分传输、事件触发通信和量化在内的几种通信高效方法。然而，当通信资源高度受限时，这些方法可能导致估计精度下降。为解决此问题，本文提出了一种可训练的自适应量化误差补偿扩散最小均方（TAQ-EC-DLMS）算法。基于深度展开架构，所提TAQ-EC-DLMS算法展开迭代过程，将误差补偿与DLMS算法整合为分层网络。同时，TAQ-EC-DLMS中引入的关键参数作为可训练变量并通过训练进行优化。该设计不仅降低了通信开销，还保持了估计精度。推导了平均收敛条件和稳态均方偏差（MSD）表达式以支持理论性能分析。仿真结果验证了理论分析，并表明TAQ-EC-DLMS在通信效率和稳态精度方面具有更优性能。
Keyword:
Distributed adaptive filter
Quantization
Deep unfolding
Communication efficiency
Error compensation
