بررسي عملكرد الگوريتم هاي تطبيقي زيرباند در شبكه هاي توزيع شده بر پايه روش افزايشي

Performance Analysis of Subband Adaptive Algorithms over Distributed Networks Based on Incremental Strategy

اين تحقيق به ارائه مسئله تخمين توزيع‌شده در يك شبكه افزايشي بر اساس الگوريتم‌هاي خانواده زيرباند نرماليزه‌شده (NSAAs) پرداخته است و الگوريتم‌هاي زيرباند نرماليزه‌شده توزيع‌شده (dNSAA)، زيرباند نرماليزه‌شده توزيع‌شده با انتخاب جزئي ضرايب (dSPU-NSAA)، زيرباند نرماليزه‌شده توزيع‌شده با انتخاب پوياي زيرباندها (dDS-NSAA) و زيرباند نرماليزه‌شده توزيع‌شده با انتخاب جزئي ضرايب و انتخاب پوياي زيرباندها (dSPU-DS-NSAA) را در يك قالب واحد معرفي مي‌كند. الگوريتم زيرباند نرماليزه‌شده توزيع‌شده تطبيقي نسبت به الگوريتم حداقل ميانگين مربعات نرماليزه‌شده توزيع‌شده تطبيقي (dNLMS)، داراي عملكرد بهتري از لحاظ سرعت همگرايي در مواجهه با ورودي‌هاي رنگي در گره‌ها است. در مقايسه با (dNSAA)، الگوريتم‌هاي (dSPU-NSAA) و (dDS-NSAA)، علي‌رغم عملكردي مشابه داراي پيچيدگي محاسباتي كمتري هستند. همچنين با تركيب اين دو الگوريتم، الگوريتم (dSPU-DS-NSAA) برقرار مي‌شود كه از لحاظ پيچيدگي محاسباتي كاهش بيشتري دارد. به علاوه، يك روش واحد براي تحليل تئوري عملكرد ميانگين مربعات براي هر گره ارائه شده و روابط جامعي براي بررسي عملكرد حالت گذرا، ماندگار و باند پايداري براي الگوريتم‌هاي نوين توزيع‌شده به دست مي‌آيد. با انجام شبيه‌سازي‌هاي مختلف در شبكه‌هاي توزيع‌شده، عملكرد مناسب اين الگوريتم‌ها و صحت روابط تئوري حاصل‌شده مورد بررسي قرار گرفته است.

This paper presents the problem of distributed estimation in an incremental network based on the family of normalized subband adaptive algorithms (NSAAs). The distributed NSAA (dNSAA), the distributed selective partial update NSAA (dSPU-NSAA), the distributed dynamic selection NSAA (dDS-NSAA), and the dSPU-DS-NSAA are introduced in a unified way. The dNSAAs have better convergence speed than distributed normalized least mean square (dNLMS) algorithm especially for colored Gaussian input of the nodes. In comparison with dNSAA, the dSPU-NSAA, and dDS-NSAA have lower computational complexity and close performance to dNSAA. Also by combination of these algorithms, the dSPU-DS-NSAA is established which is computationally efficient. In addition, a unified approach for mean-square performance analysis of each individual node is presented. This approach can be used to establish a performance analysis of classical distributed adaptive algorithms as well. The theoretical expressions for transient, and steady-state performance analysis of the various dNSAAs are introduced. The validity of the theoretical results, and the good performance of these algorithms are demonstrated by several computer simulations.