[논문 리뷰] Tracking Performance of Incremental LMS Algorithm over Adaptive Distributed Sensor Networks

Ehsan Mostafapour, Changiz Ghobadi외 2명|arXiv (Cornell University)|2021. 02. 04.

Advanced Algorithms and Applications인용 수 5

한 줄 요약

이 논문은 시간에 따라 변화하는 무게 벡터를 가진 적응형 분산 센서 네트워크에서 증분 최소 평균 제곱법(Incremental LMS) 알고리즘의 추적 성능을 분석한다. 시간에 따라 변화하는 무게를 랜덤 워크로 모델링하고 레일라이트 fading 채널 모델을 적용함으로써, 평균 제곱 오차(MSE), 평균 제곱 편차(MSD), 초과 평균 제곱 오차(EMSE)에 대한 폐쇄형 표현식을 유도하였으며, 이론적 예측과 시뮬레이션 결과 사이에 완벽한 일치를 보였다.

ABSTRACT

In this paper we focus on the tracking performance of incremental adaptive LMS algorithm in an adaptive network. For this reason we consider the unknown weight vector to be a time varying sequence. First we analyze the performance of network in tracking a time varying weight vector and then we explain the estimation of Rayleigh fading channel through a random walk model. Closed-form relations are derived for mean square error (MSE), mean square deviation (MSD) and excess mean square error (EMSE)of analyzed network in tracking Rayleigh fading channel and random walk model. Comparison between theoretical and simulation results shows a perfect match and verifies performed calculations.

연구 동기 및 목표

• 시간에 따라 변화하는 무게 벡터를 가진 적응형 분산 센서 네트워크에서 증분 LMS 알고리즘의 추적 성능을 분석하는 것.
• 시간에 따라 변화하는 무게 벡터를 랜덤 워크로 모델링하고, 이를 레일라이트 페이딩 채널 추정에 적용하는 것.
• 시간에 따라 변화하는 시스템의 맥락에서 핵심 성능 지표인 MSE, MSD, EMSE에 대한 폐쇄형 표현식을 유도하는 것.
• 이론적 결과를 시뮬레이션 결과와 비교하여 유도된 표현식의 정확성을 검증하는 것.

제안 방법

• 증분 LMS 알고리즘이 각 노드가 국소 데이터와 이웃 노드 간의 정보 교환을 기반으로 무게를 업데이트하는 분산 센서 네트워크에 적용된다.
• 알 수 없는 무게 벡터는 동적인 환경을 시뮬레이션하기 위해 시간에 따라 변화하는 시퀀스로 랜덤 워크 과정으로 모델링된다.
• 레일라이트 페이딩 채널은 시간에 따라 변화하는 채널 조건을 반영하기 위해 랜덤 워크 모델로 표현된다.
• 영향을 미치는 소음이 평균이 0이고 상관이 없으며, 무게 갱신이 노드 간에 독립적이라는 가정 하에, MSE, MSD, EMSE에 대한 폐쇄형 표현식을 확률적 분석을 통해 유도한다.
• 이론적 성능 지표를 시뮬레이션 결과와 비교하여 유도된 표현식의 정확성을 검증한다.
• 분석은 대칭적인 무게 갱신을 가진 네트워크를 가정하고, 수렴 및 추적 행동 평가를 위해 두 번째 순서 통계를 사용한다.

실험 결과

연구 질문

• RQ1 증분 LMS 알고리즘이 시간에 따라 변화하는 무게 벡터를 분산 센서 네트워크에서 어떻게 추적하는가?
• RQ2 무게 벡터가 랜덤 워크 모델에 따라 변화할 경우 MSE, MSD, EMSE에 대한 폐쇄형 표현식은 무엇인가?
• RQ3 이론적 성능 지표가 레일라이트 페이딩 채널 추적에서 시뮬레이션 결과와 얼마나 정확하게 일치하는가?
• RQ4 시간에 따라 변화하는 역학적 특성이 적응형 네트워크에서 증분 LMS 알고리즘의 안정성과 수렴성에 어떤 영향을 미치는가?

주요 결과

• MSE, MSD, EMSE에 대한 이론적 표현식은 시뮬레이션 결과와 완벽한 일치를 보이며, 유도된 폐쇄형 해의 타당성을 확인한다.
• 증분 LMS 알고리즘은 랜덤 워크로 모델링된 시간에 따라 변화하는 무게 벡터를 효과적으로 추적하며, MSE 및 EMSE 지표를 통해 성능가 측정된다.
• MSD 및 EMSE에 대한 유도된 표현식은 평균이 0이고 상관이 없는 소음 및 노드 간 무게 갱신의 독립성을 가정할 때 유효하다.
• 성능 분석은 레일라이트 페이딩으로 모델링된 급격히 변화하는 채널 조건에서도 알고리즘이 안정적인 추적 행동을 유지함을 보여준다.
• 이론과 시뮬레이션의 일치는 동적 네트워크에서 증분 LMS 행동을 예측하는 분석 프레임워크의 강건성을 확인한다.
• 결과는 실시간 추적 기능을 갖춘 적응형 분산 센서 네트워크 설계를 위한 신뢰할 수 있는 이론적 기초를 제공한다.