We consider a network of distributed sensors, where where each sensor takes a linear measurement of some unknown parameters, corrupted by independent Gaussian noises. We propose a simple distributed iterative scheme, based on distributed average consensus in the network, to compute the maximum-likelihood estimate of the parameters. This scheme doesn't involve explicit point-to-point message passing or routing; instead, it diffuses information across the network by updating each node's data with a weighted average of its neighbors' data (they maintain the same data structure). At each step, every node can compute a local weighted least-squares estimate, which converges to the global maximum-likelihood solution. This scheme is robust to unreliable communication links. We show that it works in a network with dynamically changing topology, provided that the infinitely occurring communication graphs are jointly connected.

We consider a stochastic model for distributed average consensus, which arises in applications such as load balancing for parallel processors, distributed coordination of mobile autonomous agents, and network synchronization. In this model, each node updates its local variable with a weighted average of its neighbors’ values, and each new value is corrupted by an additive noise with zero mean. The quality of consensus can be measured by the total mean-square deviation of the individual variables from their average, which converges to a steady-state value. We consider the problem of finding the (symmetric) edge weights that result in the least mean-square deviation in steady state. We show that this problem can be cast as a convex optimization problem, so the global solution can be found efficiently. We describe some computational methods for solving this problem, and compare the weights and the mean-square deviations obtained by this method and several other weight design methods.

We consider a network of distributed sensors, where where each sensor takes a linear measurement of some unknown parameters, corrupted by independent Gaussian noises. We propose a simple distributed iterative scheme, based on distributed average consensus in the network, to compute the maximum-likelihood estimate of the parameters. This scheme doesn't involve explicit point-to-point message passing or routing; instead, it diffuses information across the network by updating each node's data with a weighted average of its neighbors' data (they maintain the same data structure). At each step, every node can compute a local weighted least-squares estimate, which converges to the global maximum-likelihood solution. This scheme is robust to unreliable communication links. We show that it works in a network with dynamically changing topology, provided that the infinitely occurring communication graphs are jointly connected.

We consider a class of weighted gradient methods for distributed resource allocation over a network. Each node of the network is associated with a local variable and a convex cost function; the sum of the variables (resources) across the network is fixed. Starting with a feasible allocation, each node updates its local variable in proportion to the differences between the marginal costs of itself and its neighbors. We focus on how to choose the proportional weights on the edges (scaling factors for the gradient method) to make this distributed algorithm converge and on how to make the convergence as fast as possible. We give sufficient conditions on the edge weights for the algorithm to converge monotonically to the optimal solution; these conditions have the form of a linear matrix inequality. We give some simple, explicit methods to choose the weights that satisfy these conditions. We derive a guaranteed convergence rate for the algorithm and find the weights that minimize this rate by solving a semidefinite program. Finally, we extend the main results to problems with general equality constraints and problems with block separable objective function.

The Lyapunov equation is widely employed in the engineering field to analyze stability of dynamic systems. In this paper, based on a new evolution formula, a novel finite-time recurrent neural network (termed finite-time Zhang neural network, FTZNN) is proposed and studied for solving a nonstationary Lyapunov equation. In comparison with the original Zhang neural network (ZNN) model for a nonstationary Lyapunov equation, the convergence performance has a remarkable improvement for the proposed FTZNN model and can be accelerated to finite time. Besides, by solving the differential inequality, the time upper bound of the FTZNN model is computed theoretically and analytically. Simulations are conducted and compared to validate the superiority of the FTZNN model to the original ZNN model for solving the nonstationary Lyapunov equation. At last, the FTZNN model is successfully applied to online tracking control of a wheeled mobile manipulator.

Recommender Systems have become a very useful tool for a large variety of domains. Researchers have been attempting to improve their algorithms in order to issue better predictions to the users. However, one of the current challenges in the area refers to how to properly evaluate the predictions generated by a recommender system. In the extent of offline evaluations, some traditional concepts of evaluation have been explored, such as accuracy, Root Mean Square Error and P@N for top-k recommendations. In recent years, more research have proposed some new concepts such as novelty, diversity and serendipity. These concepts have been addressed with the goal to satisfy the users' requirements. Numerous definitions and metrics have been proposed in previous work. On the absence of a specific summarization on evaluations of recommendation combining traditional metrics and recent progresses, this paper surveys and organizes the main research that present definitions about concepts and propose metrics or strategies to evaluate recommendations. In addition, this survey also settles the relationship between the concepts, categorizes them according to their objectives and suggests potential future topics on user satisfaction.

Considering the extensive research on zeroing neurodynamic (ZN), a self-adaptive and enhanced fixed-time convergent zeroing neurodynamic (SEFC-ZN) method for addressing time-variant problems is presented in this paper based on a discrete fuzzy matrix (DFM) design parameter and a novel advanced sign-bi-power activation function (NASbpAf). Due to the distinctive design of the DFM design parameter and NASbpAf, the proposed SEFC-ZN method possesses prominent self-adaptivity and enhanced fixed-time convergence. Specifically, the DFM design parameter is actually a matrix with all elements generated from a discrete fuzzy control system, so it can self-adaptively adjust the convergence rate of every error in the SEFC-ZN method resulting in the self-adaptivity. This feature is greatly different from the conventional scalar design parameters whose values are usually fixed or increase indefinitely and different errors in the ZN method can only be adjusted by the same design parameter. By summarizing the characteristic of the activation functions designed previously according to the SbpAf, it is found that keeping two terms of the SbpAf and adding extra terms can improve the performance of the ZN method. Thereout, built on the SbpAf, the NASbpAf is presented which can make the SEFC-ZN method realize the enhanced fixed-time convergence. Three theoretical analyses and proofs, together with relative corollaries, conclude the properties of the SEFC-ZN method and the advantages of the DFM design parameter and NASbpAf. A numerical experiment about solving time-variant nonlinear equations by the SEFC-ZN method and an application to the linear-quadratic optimal control strongly verify the proposed theory and method.

To suppress the significant vibration line spectra of piping systems under multi-frequency harmonic excitations, a novel dynamic vibration absorber (NDVA) is designed. The NDVA integrates numerous independent resonant units within a finite space through an ingenious structural design and possesses rich frequency regulation characteristics. A vibration model of the piping system equipped with the NDVA is established, and the approximate equivalent parameters of both the piping and the resonant units are inverted based on the frequency response function (FRF) test results. These parameters can be substituted into the model to enhance the accuracy and validity of the theoretical calculations. Based on the relationship between the absorbing bandwidth of the NDVA and the intervals of multi-frequency excitation frequencies, a tailored regulation strategy for different densities of excitation frequencies is proposed. Subsequently, the multi-frequency vibration reduction capability of the NDVA is verified through an example involving dual-frequency harmonic excitations. When there is a notable difference in the intensities of the multi-frequency vibration line spectra, a genetic algorithm is utilized to optimize the mass allocation of the resonant units. Simulation and test results demonstrate that the maximum response amplitude of the optimized system is further reduced.