Diffusion random-cloud least-mean squares for distributed adaptive networks

doi:10.1016/j.dsp.2026.106483

Diffusion random-cloud least-mean squares for distributed adaptive networks

2026-08-29

0

PRE

AI

DOI：10.1016/j.dsp.2026.106483

原文链接

原文求助

摘要

En 中文

本文提出了一种用于分布式自适应网络的扩散随机云最小均方（DRC-LMS）算法。所提出的方法通过在自适应和组合步骤之间插入一个局部随机云探索阶段，扩展了传统的adapt-then-combine扩散LMS递归。在每个节点上，首先计算LMS试验估计值。然后围绕该试验点生成一个有限的候选估计云，并选择使局部短窗口平方误差准则最小的候选作为与邻近节点交换的中间估计值。云的扩散随时间逐渐减小，使得在瞬态阶段进行局部探索，同时在接近稳态时使云引起的扰动可以忽略不计。在平稳线性回归模型下进行了均值和均方性能分析。分析表明，所提出的算法保留了扩散LMS的转换结构，而云选择机制表现为扩散控制的扰动。确定了稳定性条件和稳态网络均方偏差，当云引起的扰动可以忽略时，恢复了扩散LMS的稳态行为。仿真结果表明，所提出的DRC-LMS算法通过控制局部随机云探索，改善了扩散LMS的瞬态收敛行为，同时保持了相当的稳态均方偏差和相同的通信负载。这些结果证实，所提出的adapt–explore–combine机制在不要求邻近节点之间额外信息交换的情况下，有效加速了早期学习阶段。

Keyword:

Adaptive networks

Diffusion LMS

Distributed estimation

Random-cloud

Stochastic adaptation

Diffusion random-cloud least-mean squares for distributed adaptive networks

摘要

期刊

机构