基于变分贝叶斯学习的联合定位与路径损耗指数优化：考虑距离相关噪声的无线传感器网络
信号处理
2024-07-23 v3
摘要
本文聚焦于在距离相关噪声条件下联合优化位置与路径损耗指数（PLE）的挑战。不同于传统定位和路径损耗指数估计问题中使用的独立噪声模型，我们考虑更符合实际的模型，即融合距离相关噪声方差，正如最近的理论分析和实验结果所揭示的。距离相关噪声引入了噪声功率和PLE均为未知的复杂噪声模型，导致该问题呈现异常具有挑战性的非凸和非线性优化问题。本文针对包含距离相关噪声、未知参数以及传感器节点位置不确定性的联合定位与路径损耗指数估计问题，提出了一种变分贝叶斯学习框架，通过对真实后验分布的有效近似，实现了位置、路径损耗指数和参考噪声参数的联合优化。此外，所提出的联合学习算法提供了迭代的闭式解，并在计算复杂度方面优于现有算法。计算机仿真结果表明，所提出的算法接近贝叶斯克罗尔-罗伯逊下界（BCRB）的性能，在某些情况下实现了与（最大似然-高斯消息传递）ML-GMP算法相当的定位性能，并在所有情况下均优于其他比较算法。
引用
@article{arxiv.2403.03809,
title = {Variational Bayesian Learning based Joint Localization and Path Loss Exponent with Distance-dependent Noise in Wireless Sensor Network},
author = {Yunfei Li and Yiting Luo and Weiqiang Tan and Chunguo Li and Shaodan Ma and Guanghua Yang},
journal= {arXiv preprint arXiv:2403.03809},
year = {2024}
}