Adaptive diffusion LMS strategies

Bu tezde, ağ içindeki parametre kestirimi problemi için yeni uyarlanır algoritmalar önerilmektedir. Bu algoritmalar işbirlikseldirler ve düğümlerin arasındaki bağlantı kopmalarına karşı dayanıklıdır. Bireysel düğümler ortak bir parametreyi kestirmek için en küçük ortalama kare (LMS) algoritmasını çalıştırmaktadırlar ve elde edilen kestirimlerini komşu düğümlerle paylaşmaktadırlar. Komşu düğümler alınan tahminleri birleştirerek, oluşan toplam kestirimle kendi (yerel) kestirimlerini güncellemek için çalışan uyarlamalı LMS süzgeçlerini beslemektedirler. Bu strateji, yayınım LMS algoritması olarak bilinir.Tezin ilk bölümünde yayınım LMS algoritmasının kararlılığı ve yakınsaması literatürde verildiği gibi incelenmektedir. Ayrıca ortalama karesel sapma (MSD) ve fazlalık ortalama karesel hata (EMSE)'nın zamanla gelişiminin teorik analizi verilmiştir. Benzetimlerde, yayınım algoritmasına ait MSD ve EMSE hatalarının deneysel ve teorik gelişimlerinin arasında mükemmel bir uyumun sağlandığını gösterilmiştir. Ayrıca deneyler, yayınım LMS algoritmasının işbirliksel olmayan LMS algoritmasına göre daha hızlı bir yakınsamaya ve daha iyi bir performansa (MSD ve EMSE değerlerinde on dB'lik fark mertebesinde) sahip olduğunu göstermektedir.Tezin ikinci bölümü, yürütülen araştırmanın ana katkılarını içermektedir. Yayınım LMS algoritması komşu kestirimleri birleştirirken onları sabit katsayılarla çarparak elde edilen kestirimleri toplamaktadır. Bu yaklaşımın aksine, önerilen uyarlamalı yayınım algoritmalarda her yinelemede bu katsayıları güncellemek için başka bir uyarlama katmanı kullanılmaktadır. Bu ağırlık katsayıları a) tümsek, b) ılgın kombinasyonu oluşturabilir, ya da c) katsayılar için herhangi bir kısıtlama olmayabilir. İkincil uyarlama katmanında katsayıları güncellemek için en dik iniş (steepest-descent) algoritması kullanılmaktadır. Deneysel sonuçlar, bazı durumlarda uyarlamalı yayınım LMS algoritmalarının geleneksel yayınım algoritmasından daha iyi bir performans sergilediğini ve çoğu zaman hızlı yakınsamayı elde etmek için kararlı durumda daha büyük bir MSD ve EMSE değerleriyle telafi etmenin gerektiğini göstermektedir.