發(fā)布時間：2017-10-09 21:20

  本文關(guān)鍵詞：基于核函數(shù)的自適應(yīng)濾波算法研究及其系統(tǒng)實現(xiàn)

  更多相關(guān)文章： 自適應(yīng)非線性濾波 核方法 混合范數(shù) 非高斯噪聲 系統(tǒng)辨識

【摘要】：自適應(yīng)非線性濾波器是在信號處理領(lǐng)域中應(yīng)用廣泛,尤其在非線性非平穩(wěn)的環(huán)境中解決有關(guān)復(fù)雜性和非凸問題。從前的算法是基于高維的塊適應(yīng)算法,由于參與的數(shù)據(jù)數(shù)量龐大,因此在計算上極其昂貴。在目前的非線性濾波方法中,基于核的方法是最流行的,該方法擁有強(qiáng)大的數(shù)學(xué)基礎(chǔ)和分析能力。此外,實驗結(jié)果也表明了內(nèi)核非線性模型的巨大成功。在線的核算法可以節(jié)省大量的運(yùn)算量,這也使得他們在濾波器的設(shè)計中有很大的靈活性。本文基于再生核希爾伯特空間(RKHS)開發(fā)了一類在線學(xué)習(xí)算法。再生核希爾伯特空間提供一種獲得非線性模型的方法,即應(yīng)用“核技巧”把典型線性算法投影到非線性空間中,并且用內(nèi)積的方式表達(dá)。本文采用了這種內(nèi)核擴(kuò)展方法,結(jié)合了的最小平均混合范數(shù)(LMMN)的自適應(yīng)濾波方法,對原有算法進(jìn)行改良,并且在理論和實際應(yīng)用中取得了良好效果。核方法提供了一個高效的非參數(shù)模型而產(chǎn)生的自適應(yīng)非線性濾波算法(ANF)。然而,在實際應(yīng)用中,基于標(biāo)準(zhǔn)的平方誤差核方法遇到了兩個主要問題:(1)恒定步長的設(shè)計降低了算法的性能,特別是在非平穩(wěn)環(huán)境中;(2)算法多針對高斯噪聲設(shè)計,而在實際情況中,噪聲在一般遵循非高斯分布。因此,本文提出了兩種新的基于內(nèi)核的ANF算法來克服存在的問題。量化內(nèi)核最小均方(QKLMS)算法是高斯噪聲環(huán)境下的最新在線自適應(yīng)非線性學(xué)習(xí)算法。本文中我們基于此提出了一種自適應(yīng)非線性學(xué)習(xí),主要應(yīng)用于非高斯噪聲污染的環(huán)境,我們稱之為量化內(nèi)核最小均混合范數(shù)(QKLMMN)。該方法用混合范數(shù)的誤差代替了最普遍的平方誤差,并且使用了量化的方法減少了運(yùn)算量。此外,本文還提出了一個內(nèi)核歸一化混合規(guī)范(KNMN)算法。相比于標(biāo)準(zhǔn)的基于平方誤差核方法,KNMN有更好地魯棒性和效果。我們引入了一個標(biāo)準(zhǔn)化的步長以及自適應(yīng)混合參數(shù)。最后,本文提供了兩種算法的穩(wěn)態(tài)收斂性分析,并給出了非線性時間序列預(yù)測和非線性系統(tǒng)辨識的相關(guān)實驗。仿真結(jié)果驗證提出算法的良好的優(yōu)越性和實用性。
【關(guān)鍵詞】：自適應(yīng)非線性濾波 核方法 混合范數(shù) 非高斯噪聲 系統(tǒng)辨識
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN713;TN911.7
【目錄】：

• 摘要5-6
• Abstract6-13
• 1.INTRODUCTION13-18
• 1.1 BACKGROUND AND SIGNIFICANCE13-14
• 1.2 ADAPTIVE FILTERING REASERCH STATUS14-16
• 1.3 PREVIEWS AND ORGANIZATION16-18
• 2. CLASSICAL ADAPTIVE FILTERING ALGORITHMSAND KERNEL METHODS18-30
• 2.1 LINEAR ADAPTIVE FILTERING18-23
• 2.1.1 Least-Mean-Square Algorithm19-21
• 2.1.2 Recursive Least-Square Algorithm21-23
• 2.2 NONLINEAR ADAPTIVE FILTERING23-24
• 2.3 REPRODUCING KERNEL HILBERT SPACES (RKHS)24-27
• 2.3.1 Hilbert Space24-25
• 2.3.2 Mercer Kernel25-26
• 2.3.3 RKHS and Mercer Theorem26-27
• 2.4 KERNEL METHOD IN ADAPTIVE FILTERING27-29
• 2.5 SUMMARY29-30
• 3. KERNEL LEAST MEAN SQUARE ALGORITHM (KLMS)30-44
• 3.1 FORMULATION OF KERNEL LEAST MEAN SQUARE ALGORITHM30-33
• 3.2 ASSESSMENTS OF KLMS33-37
• 3.2.1 Convergence Considerations33-34
• 3.2.2 Misadjustment34-36
• 3.2.3 Learning Curve36-37
• 3.3 PARAMETER SELECTIONS OF KLMS37-39
• 3.3.1 Kernel Selection37-38
• 3.3.2 Step-size parameter selection38-39
• 3.4 EXTENSION OF KLMS ALGORITHM39-42
• 3.4.1 Self-Regularization Property39-40
• 3.4.2 Leaky KLMS Algorithm40-41
• 3.4.3 Normalized KLMS Algorithm (NKLMS)41-42
• 3.5 SUMMARY42-44
• 4. KERNEL MIXED-NORM ADAPTIVE FILTERING44-58
• 4.1 IMPLEMENTATION OF MIXED-NORM ALGORITHMS44-46
• 4.1.1 Formulation of Least Mean Fourth Algorithm (LMF)44-45
• 4.1.2 Formulation of Least Mean Mixed-Norm Algorithm (LMMN)45-46
• 4.2 QUANTIZED KERNEL LEAST MEAN MIXED-NORM ALGORITHM46-52
• 4.2.1 Quantization Strategy46-47
• 4.2.2 Implementation of QKLMMN Algorithm47-49
• 4.2.3 Convergence of QKLMMN Algorithm49-52
• 4.3 KERNEL NORMALIZED MIXED-NORM (KNMN) ALGORITHM52-56
• 4.3.1 Formulation of Kernel Normalized Mixed-norm (KNMN) Algorithm53-54
• 4.3.2 Mechanism for adaptive mixing parameter54-55
• 4.3.3. Convergence Analysis of KNMN55-56
• 4.4 SUMMARY56-58
• 5. SIMULATIONS AND RESULTS58-82
• 5.1 CLASSICAL ALGORITHM SIMULATIONS PERFORMANCE58-72
• 5.1.1 Normalized LMS Algorithm in Noise Cancellation58-66
• 5.1.2 Kernel methods in Echo Cancellation66-72
• 5.2 EXPERIMENTS OF QKLMM ALGORITHM72-79
• 5.3 SIMULATIONS OF KNMN ALGORITHM79-82
• CONCLUSIONS82-83
• REFERENCES83-88
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單88-90
• Acknowledgements90

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 田磊;汪小志;劉志剛;;自適應(yīng)濾波算法及應(yīng)用研究[J];電子測試;2008年01期

2 楊波;馮久超;;一種改進(jìn)的自適應(yīng)濾波算法及其在回波消除中的應(yīng)用[J];電子與信息學(xué)報;2008年01期

3 耿妍;張端金;;自適應(yīng)濾波算法綜述[J];信息與電子工程;2008年04期

4 崔旭濤;何友;楊日杰;;自適應(yīng)濾波算法的仿真及工程實現(xiàn)[J];現(xiàn)代電子技術(shù);2009年18期

5 蔡衛(wèi)菊;;線性自適應(yīng)濾波算法綜述[J];科技資訊;2011年36期

6 吳正國;;自適應(yīng)濾波算法的新進(jìn)展[J];海軍工程學(xué)院學(xué)報;1990年03期

7 鄒艷碧,高鷹;自適應(yīng)濾波算法綜述[J];廣州大學(xué)學(xué)報(自然科學(xué)版);2002年02期

8 高鷹,謝勝利;一種基于三階累積量的準(zhǔn)則及自適應(yīng)濾波算法[J];電子與信息學(xué)報;2002年09期

9 高清運(yùn),李學(xué)初;適合硬件實現(xiàn)的自適應(yīng)濾波算法[J];微電子學(xué)與計算機(jī);2003年07期

10 王芳,馮新喜,李鴻艷;一種新的自適應(yīng)濾波算法[J];現(xiàn)代雷達(dá);2003年07期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 徐潤博;;一種變步長自適應(yīng)濾波算法及其分析[A];2008年中國高校通信類院系學(xué)術(shù)研討會論文集（下冊）[C];2009年

2 李超;毛劍琴;;一種進(jìn)化的自適應(yīng)濾波算法及其在振動主動控制中的應(yīng)用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

3 劉先省;胡振濤;;基于“當(dāng)前”統(tǒng)計模型修正的自適應(yīng)濾波算法[A];2005年中國智能自動化會議論文集[C];2005年

4 牛振中;李歲勞;王青青;任鴻飛;;改進(jìn)的自適應(yīng)濾波算法及其在精確空投組合導(dǎo)航中的應(yīng)用[A];慣性技術(shù)發(fā)展動態(tài)發(fā)展方向研討會文集——新世紀(jì)慣性技術(shù)在國民經(jīng)濟(jì)中的應(yīng)用[C];2012年

5 趙龍;李鐵軍;陳璞;;新型自適應(yīng)濾波算法及其在慣導(dǎo)/雙星組合中的應(yīng)用[A];第一屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會論文集（下）[C];2010年

6 陳勇;黃清;;自適應(yīng)濾波算法在多普勒頻偏估計中的應(yīng)用研究[A];2007年全國微波毫米波會議論文集（下冊）[C];2007年

7 張磊磊;王再英;;基于Matlab仿真的幾種自適應(yīng)濾波算法的比較研究[A];第十七屆全國煤礦自動化學(xué)術(shù)年會、中國煤炭學(xué)會自動化專業(yè)委員會學(xué)術(shù)會議論文集[C];2007年

8 陳坡;孫付平;郭飛;劉雪瑞;;擴(kuò)展自適應(yīng)濾波算法在GNSS/INS緊組合中的應(yīng)用[A];微機(jī)電慣性技術(shù)的發(fā)展現(xiàn)狀與趨勢——慣性技術(shù)發(fā)展動態(tài)發(fā)展方向研討會文集[C];2011年

9 陶偉剛;馮新喜;;一種新的目標(biāo)跟蹤自適應(yīng)濾波算法[A];第九屆全國信號處理學(xué)術(shù)年會（CCSP-99）論文集[C];1999年

10 劉世金;張榆鋒;劉大利;高永麗;;幾種自適應(yīng)濾波算法在噪聲抵消應(yīng)用中的仿真比較研究[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文選編[C];2005年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 高鷹;基于累積量的自適應(yīng)濾波理論及其應(yīng)用[D];華南理工大學(xué);2002年

2 張斌;高效穩(wěn)健的自適應(yīng)濾波算法研究[D];西安電子科技大學(xué);2010年

3 劉立剛;稀疏沖激響應(yīng)的自適應(yīng)濾波算法及其應(yīng)用研究[D];復(fù)旦大學(xué);2010年

4 曾謙;基于濾波器凸集的自適應(yīng)濾波算法[D];吉林大學(xué);2015年

5 李寧;LMS自適應(yīng)濾波算法的收斂性能研究與應(yīng)用[D];哈爾濱工程大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 蔣陽波;分?jǐn)?shù)階傅里葉變換自適應(yīng)濾波算法及應(yīng)用[D];湘潭大學(xué);2009年

2 袁志勇;一維離散數(shù)據(jù)的卡爾曼濾波模型的參數(shù)估計及自適應(yīng)濾波算法的改進(jìn)[D];南京理工大學(xué);2015年

3 陳北辰;非線性化功放的數(shù)字預(yù)失真系統(tǒng)設(shè)計[D];電子科技大學(xué);2015年

4 趙一逍;基于核函數(shù)的自適應(yīng)濾波算法研究及其系統(tǒng)實現(xiàn)[D];北京理工大學(xué);2015年

5 陳莉;自適應(yīng)濾波算法與應(yīng)用研究[D];西安電子科技大學(xué);2006年

6 段雪梅;α-穩(wěn)定噪聲環(huán)境下的自適應(yīng)濾波算法[D];西安電子科技大學(xué);2007年

7 郭華;自適應(yīng)濾波算法及應(yīng)用研究[D];西北師范大學(xué);2007年

8 鄂智豐;基于相關(guān)函數(shù)的自適應(yīng)濾波算法的拓展研究[D];中南林業(yè)科技大學(xué);2009年

9 苗秋園;核自適應(yīng)濾波算法的研究[D];浙江大學(xué);2012年

10 張會先;自適應(yīng)濾波算法的研究與應(yīng)用[D];西安電子科技大學(xué);2012年

，

本文編號：1002472