1 比特通信下达到原始克拉美 - 罗下界的渐近有效递推辨识
《Automatica》:Asymptotically efficient recursive identification under one-bit communications achieving original CRLB
【字体:
大
中
小
】
时间:2026年08月28日
来源:Automatica 6.2
编辑推荐:
摘要
本文针对含外生输入的一比特通信条件下的自回归系统,提出了一种渐近有效的递推辨识算法。具体而言,所提方法渐近地达到了基于量化前原始数据的克拉美-罗下限(original CRLB),而现有方法通常仅能达到对应于量化观测值的克拉美-罗下限。其主要原因在于,现有方法仅对当前
摘要
本文针对含外生输入的一比特通信条件下的自回归系统,提出了一种渐近有效的递推辨识算法。具体而言,所提方法渐近地达到了基于量化前原始数据的克拉美-罗下限(original CRLB),而现有方法通常仅能达到对应于量化观测值的克拉美-罗下限。其主要原因在于,现有方法仅对当前系统输出进行量化,导致在一比特量化下产生不可忽略的信息损失。为克服这一挑战,本文提出了一种新颖的量化方法,该方法将当前和历史系统输出与输入进行整合,在一比特数据中提供更丰富的参数信息,使得量化引起的信息损失相对于原始克拉美-罗下限成为可忽略的次要项。基于此技术,进一步提出了一种相应的远程估计算法。为应对一比特数据非独立性带来的收敛性分析难题,本文建立了一个新的框架,通过分析量化前由当前和历史系统输出与输入组成的综合数据的尾概率,从而避免了传统上对量化数据独立性的假设。证明表明,远程估计量满足渐近正态性,其误差协方差矩阵收敛至原始克拉美-罗下限,从而确认了其渐近有效性。与现有的一比特数据条件下的辨识算法相比,本方法将渐近均方误差降低了至少1-2/π≈36%。通过若干数值仿真验证了所提算法的有效性。
引言
过去二十年间,网络化控制系统已广泛应用于多个领域,包括工业自动化(Akhtar, 2023)、无线传感器网络(Jiang et al., 2024)、遥指挥应用(Mashiko et al., 2025)以及车辆编队(Zhang et al., 2025)。在这些系统中,数据采集、处理及决策等任务可分布在多个节点上,显著提升了系统的灵活性与可扩展性(Ribeiro et al., 2006)。然而,一个关键的限制在于节点间的通信带宽受限,这往往使得远程估计器无法直接获取系统输入和输出(You et al., 2015)。相反,这些估计器必须依赖其他节点的低比特数据传输来进行系统辨识(Wang et al., 2026),这是实际应用中的常见场景:
(i)工业自动化(Vergallo et al., 2023):物联网和云计算技术使得能够对复杂工业系统进行远程监控和诊断,从而及时发现和解决问题。然而,在有限带宽约束下管理设备产生的海量数据构成了重大挑战。
(ii)无线传感器网络(Li & AlRegib, 2007):在传感器网络中,地理上分布的传感器协同工作以实现系统辨识。高传感器成本、有限的电源供应以及通信的高能耗等因素严重限制了可用的通信能力。
(iii)遥指挥应用(Almohamad et al., 2025):卫星姿态的精确估计对于地面控制操作至关重要。然而,此类估计需要在严格的通信带宽约束下进行,因此需要高效的数据传输策略。
这些场景凸显了一个根本性挑战:如何在严格的通信资源约束下优化估计精度。在此背景下,误差协方差矩阵成为量化估计精度的关键指标(Guo et al., 2026)。为建立理论性能极限,克拉美-罗下限(CRLB)提供了一个基本的基准(Friedlander, 1984),代表了任何无偏估计器所能达到的最小误差协方差矩阵(Gustafsson & Karlsson, 2009)。基于这一理论框架,本研究旨在探讨一比特通信条件下的最优辨识问题,并开发一种误差协方差矩阵收敛至克拉美-罗下限的递推辨识算法,即一种渐近有效的递推辨识算法。
已有大量研究探索了在一比特数据条件下优化参数估计精度的方法。在采用固定阈值量化器的传输框架下,各种技术已被提出,包括期望最大化方法(Dario et al., 2022, Godoy et al., 2011, Risuleo et al., 2020)、经验测度方法(Wang & Yin, 2007)以及拟牛顿法(Wang, Zhao, & Zhang, 2024)。对于任何给定的阈值,这些方法的误差协方差矩阵收敛至该固定阈值对应的克拉美-罗下限。然而,由于最优阈值的选取依赖于未知系统参数(Wang, Li, Zhao, & Zhang, 2024),因此难以事先确定使克拉美-罗下限最小化的最优阈值,这阻碍了在此传输框架内最小化误差协方差矩阵的努力。
为进一步提升估计精度,采用自适应量化器的传输框架因其灵活性而备受关注。特别是,You(2015)提出了一种自适应量化器与远程估计器的协同设计方法,其中量化器基于前一时段的参数估计值更新其阈值。这种自适应调整使得You(2015)中的阈值能够逼近最优自适应阈值(Wang, Li, Zhao, & Zhang, 2024)。因此,You(2015)所提算法的误差协方差矩阵收敛至最优自适应阈值对应的克拉美-罗下限,性能优于依赖固定量化器的方法。
You(2015)和Wang, Li, Zhao, and Zhang(2024)在仅对当前系统输出进行量化时实现了最优估计精度。然而,此类传输框架中量化引起的信息损失导致渐近协方差矩阵至少是量化前原始数据对应的克拉美-罗下限(原始CRLB)的π/2≈1.56倍(Wang, Li, Zhao, and Zhang, 2024, You, 2015)。
此外,在追求最优估计精度的过程中,现有递推方法(Wang and Yin, 2007, Wang, Zhao, and Zhang, 2024, You, 2015)对系统模型和输入类型均提出了严格的要求。
对于系统模型,这些算法主要针对有限脉冲响应(FIR)系统设计,不适合对更复杂的动态系统(如含外生输入的自回归系统,即ARX系统)进行最优辨识。从FIR系统扩展到ARX系统较为困难,因为它们所考虑的估计器仅接收由当前系统输出量化得到的一比特数据,从而无法获取完整的系统回归向量。虽然一些研究已在此类传输框架下探索了ARX系统的递推辨识(Casini et al., 2011, Csáji and Weyer, 2012),但这些方法在实现渐近有效性方面面临挑战,使得在一比特通信条件下开发适用于ARX系统的渐近有效递推辨识算法仍是一个开放性问题。
对于输入类型,这些分析主要沿两个独立方向发展。基于固定量化器的方法局限于确定性输入场景(Wang and Yin, 2007, Wang, Zhao, and Zhang, 2024),而自适应量化器则主要关注随机条件(You, 2015)。在实际中,许多真实世界的应用,如机械或土木工程结构的模态分析,涉及混合输入信号,即确定性控制指令与随机噪声的结合(Reynders & De Roeck, 2008)。这凸显了需要一个能够同时处理确定性和随机输入的统一下述框架。
受上述挑战的启发,本文旨在开发一种新颖的量化方法及相应的远程估计器,以实现原始克拉美-罗下限,并适用于确定性和随机输入条件下的ARX系统。
本文研究了一比特通信约束下ARX系统的最优递推辨识问题。为克服一比特量化引起的根本性信息损失,提出了一种量化器与远程估计器的新颖联合设计。在量化器端,首先通过渐近有效的递推最小二乘(RLS)算法(Liu et al., 2025)从原始测量数据中提取参数信息。量化器随后传输以一比特信息形式表示的数据,该一比特信息由当前远程估计值与本地RLS估计值之差的符号构成。远程估计器基于接收到的一比特数据,利用随机逼近(SA)方案完成在线估计过程,驱动远程估计值跟踪本地RLS估计值。主要贡献可总结为如下:
(i)本文开发了一种一比特通信条件下的渐近有效递推辨识算法,其误差协方差矩阵收敛至量化前的原始克拉美-罗下限。通过将当前和历史系统输出与输入中的参数知识提取到一比特数据中,所提方法相较于仅量化当前系统输出的现有渐近有效算法(Wang and Yin, 2007, Wang, Zhao, and Zhang, 2024, You, 2015),将渐近均方误差降低了至少1-2/π≈36%。此外,证明了远程估计量在几乎处处意义和Lp意义上(对任意正整数p)均收敛于真实参数。
(ii)本文将系统模型扩展至ARX系统,而现有渐近有效递推辨识算法仅关注FIR系统(Wang and Yin, 2007, Wang, Zhao, and Zhang, 2024, You, 2015)。主要难点在于ARX系统的回归量涉及远程估计器无法获取的系统输出。所提算法通过在量化前使用回归量对数据进行预处理,从而在一比特数据中嵌入必要的回归量信息,避免了远程估计器对不可用回归量的依赖。
(iii)本文建立了一个针对非独立一比特数据的新颖收敛性分析框架。该框架分析了量化前由当前和历史系统输出与输入组成的综合数据的尾概率,从而避免了传统上对量化数据独立性的假设(Wang et al., 2023, Wang, Zhao, and Zhang, 2024, Zhang et al., 2019)。除解决非独立性问题外,该框架同时适用于确定性和随机输入,且不依赖于量化递推辨识中参数处于已知紧集的常见假设。
本文其余部分组织如下。第2节对ARX系统结构进行问题建模并引入基本假设。第3节聚焦于算法构建。第4节建立主要结果,其中4.1节分析远程估计值与参数知识之间差异的尾概率收敛速率,4.2节证明几乎处处收敛和Lp收敛,4.3节确认远程估计的渐近有效性。第5节给出仿真示例以验证结论。第6节为总结与展望。
本文中,?、?^n、?^(n×n)和?分别表示实数集、n维实向量集、n阶矩阵集和整数集。对于常数x,|x|表示其绝对值。对于正整数m和n,mod(m,n)表示m除以n的余数。对于向量a=[a_1,a_2,…,a_n]∈?^n,a_i表示其第i个元素,a^T表示其转置;‖a‖表示其欧几里得范数,即‖a‖=(∑_{i=1}^n a_i^2)^(1/2)。对于矩阵A=[a_{i,j}], i=1,2,…,n, j=1,2,…,n,A^T表示其转置;tr(A)表示其迹;λ_max(A)和λ_min(A)分别表示其最大特征值和最小特征值;‖A‖表示其2-范数,即‖A‖=√(λ_max(A^T·A))。I_n是n维单位矩阵。对于集合Ω,Ω^c表示其补集。?表示概率算子。??表示期望算子。函数??_{·}表示指示函数,当其参数(公式)为真时取值为1,否则为0。??(μ,σ^2)表示均值为μ、方差为σ^2的高斯分布。
各节概述
问题建模
考虑一个由以下方程描述的ARX系统:
A(q)·y_k = B(q)·u_k + d_k, k≥1
其中k为时间指标;系统输入u_k∈?和输出y_k∈?均已知于量化器;d_k∈?为观测噪声;A(q)为m阶多项式,B(q)为单位后移算子q^{-1}表示的n阶多项式,其中q^{-1}·y_k = y_{k-1},定义为A(q)?1+a_1·q^{-1}+?+a_m·q^{-m}和B(q)?b_1·q^{-1}+?+b_n·q^{-n};a_1,…,a_m∈?和b_1,…,b_n∈?为未知参数;远程估计器依赖量化器提供的一比特数据s_k来识别参数。
算法设计
本节提出一种在一比特通信条件下达到原始克拉美-罗下限的递推辨识算法。核心思想是令远程估计器跟踪RLS估计值,后者对于ARX系统是渐近有效的(Liu et al., 2025)。为实现此思想,量化器首先在本地计算RLS估计值,其表达式为:
θ?_RLS,k = θ?_RLS,k-1 + a_k · P_{k-1} · φ_k · (y_k - φ_k^T · θ?_RLS,k-1),
a_k = (1 + φ_k^T · P_{k-1} · φ_k)^{-1},
P_k = P_{k-1} - a_k · P_{k-1} · φ_k · φ_k^T · P_{k-1},
其中初始值θ?_RLS,0 ∈ ?^{n+m},P_0 ∈ ?^{(n+m)×(n+m)}。
主要结果
本节分析RLS-SA算法的渐近有效性,并建立其关键收敛性质,包括几乎处处收敛和Lp收敛。
为比较远程估计与RLS估计之间的差异,我们定义辅助变量????????????????????????????RLS??+??+??,并旨在对其尾部概率进行详细分析。该方法能够对算法性能进行精确刻画,从而避免经典方法所引入的误差。
数值示例
本节通过仿真实验展示理论结果。此外,我们将RLS-SA算法取得的均方误差(MSE)与其他三类算法进行了比较:
(i) 一位通信条件下ARX系统的递推辨识算法(Csáji & Weyer, 2012)。
(ii) 一位通信条件下使用固定量化器的渐近有效递推辨识算法(Wang and Yin, 2007; Wang, Zhao, and Zhang, 2024)。
(iii) 渐近……
结论
本文提出了一种一位通信条件下ARX系统的渐近有效递推辨识算法。我们设计了一种新型量化器,在量化前利用当前及历史系统输出与输入来提取关键参数信息。远程估计器仅使用一位数据进行系统递推辨识,无需直接获取系统输入和输出。远程估计达到渐近正态性,其误差协方差……
刘兴瑞(Xingrui Liu)于2022年获得中国山东大学数学学院统计学学士学位。现就读于中国科学院数学与系统科学研究院,攻读系统科学博士学位。其研究方向包括系统辨识、信息论和机器学习,尤其关注量化观测。
刘兴瑞 | 柯杰明 | 邵明杰 | 赵彦龙