传感器网络中的分布式向量量化

摘要

向量量化是一种在保持数据必要保真度的情况下将原始数据重新编码以达到减少通讯和存储所需字节数目的目的的算法。在传统的向量量化算法中，LBG算法、SOM算法是非常流行的两种算法。近年来，分布式信号处理受到广泛关注。在传感器网络中，由于通讯资源和能耗的限制，将数据集中到一个中心处理节点来进行信号处理的传统算法因需要大量通讯通常不适用;而在分布式算法中，各个传感器节点处理局部数据，然后传递处理结果给邻居节点并根据邻居节点的结果和本地结果来融合得到最终结果，以此减少通讯复杂度。本课题研究将分布式算法应用到传感器网络的向量量化问题，基于传统的LBG算法、SOM算法和基于信息论的K-L散度的集中式向量量化算法，提出了分布式LBG算法、分布式SOM算法和基于K-L散度的分布式向量量化算法，数值仿真结果显示我们的分布式算法可以减少传感器网络的向量量化所需的通讯代价。

目录

声明

致谢

摘要

第1章 绪论

1．1 传统向量量化

1．1．1 传统向量量化算法的目标和内容

1．1．2 向量量化算法的性能评价

1．2 传感器网络中的分布式信号处理

1．2．1 传感器网络中的信号处理

1．2．2 分布式信号处理的国内外发展现状

1．2．3 分布式向量量化问题描述

1．3 本文的主要内容和结构安排

第2章 分布式LBG算法

2．1 LBG算法

2．2 分布式LBG算法

2．3 通信复杂度分析

第3章 分布式SOM算法

3．1 SOM算法

3．2 分布式SOM算法

3．3 通信复杂度分析

第4章 基于信息论K-L散度的分布式向量量化算法

4．1 基于K-L散度的集中式向量量化算法

4．1．1 Kullback-Leibler散度

4．1．2 高斯混合模型(Gaussian mixture models)

4．1．3 Robbins-Monro随机逼近方法

4．1．4 基于K-L散度的集中式向量量化算法

4．2 基于K-L散度的分布式向量量化算法

4．3 通信复杂度分析

第5章 数值仿真

5．1 仿真网络设置

5．2 仿真数据生成

5．3 仿真性能评价

5．4 仿真结果

5．4．1 简单情况下的量化示意图

5．4．2 不平衡度对量化性能的影响

5．4．3 分布式LBG中不同内循环参数P的影响

5．4．4 分布式SOM中不同内循环参数Nt的影响

5．4．5 不同输入数据量下各算法的通信量

第6章 结论

参考文献

作者简历及在学期间所取得的科研成果