分布式平均共识的无线声传感器网络时钟校准

在无线声传感器网络中,每个节点的时钟系统通常独立,受制造工艺、温度、湿度等因素的影响,各节点间的时钟存在异步问题。时钟校准方法是补偿节点间的采样率偏差的有效手段。然而,大部分已有方法只能以集中式的方式适用于无线声传感器网络中,这不仅需要额外的中心处理单元,也将带来较重的通信负担。针对上述问题,本文提出一种无线声传感器网络时钟校准方法。首先,在线性相位漂移模型中引入解卷绕策略,以消除高频处的相位模糊问题,进而提高每对相邻节点间的时钟同步精度。接着,基于分布式平均共识算法,提出一种分布式时钟校准新方法,使各节点并行地、协作地进行时钟同步。其次,在补偿各节点采样率偏差的基础上,仅利用到达时间信息进行分布式声源定位。最后,根据声源位置,分布式地估计各节点之间的起始采样偏差。与已有方法不同,所提方法仅需相邻节点之间的局部通信、无须中心处理单元、鲁棒性强,更适用于无线声传感器网络。本文实验结果表明了该方法的有效性。

异构网络环境下最大化谱间距的拓扑设计

分布式平均共识和去中心化机器学习是具有广泛应用的去中心化计算方法.两种方法的收敛率主要由拓扑的谱间距所决定.节点网络环境的异构性包括节点带宽和节点间连接可用性的不同.异构网络环境对去中心化计算的效率提出了挑战.本文研究异构网络环境下最大化谱间距的拓扑设计问题,推导了谱间距针对拓扑任一条边的梯度,并设计了基于该梯度的增删边算法来构建目标拓扑.构建的拓扑具有更大谱间距,且各节点的数据通信时间相近.拓扑构建算法的性能在不同程度的异构网络环境下能够保持稳定,且生成的拓扑在分布式共识中以更快的收敛率和更短的时间达到收敛.基于该算法,本文进一步验证了最新发现的谱间距与去中心化机器学习收敛率的弱相关性.