基于Fading 测量的多传感器网络中$\mathbb{T}_k$-proper 可因子化信号的分布式融合估计

在多传感器网络框架内，针对具有不同失真测量率的四维（4D）交换超复数信号（即$\mathbb{T}_k$-proper 可因子化信号）进行分布式融合估计问题。每个传感器的失真效应被建模为具有已知二阶统计特性的随机变量。估计过程完全基于这些二阶统计特性。随后，利用$\mathbb{T}_k$-proper性质在tessarine 框架内，显著降低了问题的维数。这一维数降低使得开发基于second-order 统计量的分布式融合滤波、预测和平滑算法成为可能，而这些算法的计算复杂度低于实值方法。通过在各种不确定性条件和$T_k$-proper情境下的数值实验评估了所提出算法的性能。此外，仿真结果表明，$\mathbb{T}_k$-proper 估计器优于其四元数域 counterparts，凸显了其实际优势。这一发现凸显了$\mathbb{T}_k$-proper 估计技术在需要高效信号处理的应用中的潜力。