Robust Compressive-Sensing-Based Diffusion Bayesian Strategies Over Networks

doi:10.1109/tsp.2026.3740734

Robust Compressive-Sensing-Based Diffusion Bayesian Strategies Over Networks

2026-10-08

0

PRE

AI

DOI：10.1109/tsp.2026.3740734

原文链接

原文求助

摘要

En 中文

传统扩散算法通常在分布式网络中存在较高的通信负载。针对此问题，分布式压缩估计（DCE）方案通过压缩待估计的权重向量来降低通信负载。然而，收敛速率和稳态误差之间需要权衡，且在脉冲噪声干扰下，DCE性能会显著下降。为解决这些问题，我们提出了一种基于压缩感知的扩散贝叶斯（CSB-DB）算法，具有低通信负担和高估计精度。为提高其对脉冲噪声的鲁棒性，我们设计了鲁棒CSB-DB（RCSB-DB）算法，引入了步长中的选择性权重函数。该函数在出现异常值时阻止步长和权重向量的更新。此外，我们设计了基于梯度下降的测量矩阵优化算法，以提升所提算法的收敛速率和稳态性能。同时进行了均值和均方分析。数值实验验证了仿真结果与理论推导的一致性，并揭示了所提算法的优异性能。

Keyword:

Adaptive filtering

impulsive noise

measurement matrix

ATC strategy

distributed network

Robust Compressive-Sensing-Based Diffusion Bayesian Strategies Over Networks

摘要

期刊

机构

引用论文