受无线传感器网络应用的推动,我们研究了一类用于估计未知确定性参数的分布式学习算法。 在这样的网络中,每个传感器在不可靠的网络环境中激活,该环境允许新节点加入而旧节点离开网络,并且可以容忍链路故障和噪声干扰。 另外,传感器在有限的计算,带宽和能量资源下运行。 为了克服这些限制,我们提出了一种新颖的算法,可以根据在本地传感器上偶尔产生的噪声样本,可靠地估计与线性测量函数关联的未知参数。 每个本地传感器处理其观测结果,通过本地信息交换更新其估计值,并将其量化的估计值发送给其一跳邻居。 基于矩阵分解和随机逼近的理论,我们证明了所研究的算法几乎可以肯定地收敛到未知参数,概率为1,并且传感器估计值与未知参数相等。 具体来说,我们进一步提供均方误差和ε收敛时间的上限。 最后,我们提供了一个数值示例,以评估和比较通信成本以及几种类似的方案算法,以实现给定的性能。