Quantification vectorielle à apprentissage adaptatif pour l'estimation paramétrique en ligne.

Résumé Cet article traite du problème de l'estimation des paramètres dans un cadre quantifié et en ligne. Une unité de détection collecte des échantillons vectoriels aléatoires de l'environnement. Ces échantillons sont quantifiés et transmis à un processeur central qui génère une estimation en ligne du paramètre inconnu. Cet article fournit une expression sous forme fermée de l'excès d'erreur quadratique moyenne (EQM) causée par la quantification dans le régime à haut débit, c'est-à-dire lorsque le nombre de niveaux de quantification est supposé être grand. Ensuite, nous déterminons les quantificateurs qui atténuent l'excès d'EQM. La règle de quantification optimale dépend malheureusement du paramètre inconnu. Pour contourner ce problème, nous introduisons un nouveau schéma de quantification vectorielle par apprentissage adaptatif qui permet simultanément d'estimer le paramètre d'intérêt et de sélectionner un quantificateur efficace.