目前,傳統(tǒng)核自適應(yīng)濾波算法由于存在權(quán)值網(wǎng)絡(luò)無(wú)限制增長(zhǎng)問(wèn)題,導(dǎo)致計(jì)算復(fù)雜度較大。核近似技術(shù)具有提高核學(xué)習(xí)訓(xùn)練效率的優(yōu)點(diǎn)。將其引入到核自適應(yīng)濾波領(lǐng)域得到的核自適應(yīng)濾波算法從根本上解決了權(quán)值網(wǎng)絡(luò)無(wú)限制增長(zhǎng)的缺陷,一定程度上降低了計(jì)算復(fù)雜度,但在計(jì)算復(fù)雜度、精度、收斂速度等方面仍有待進(jìn)一步改進(jìn)。具體表現(xiàn)包括:(1)針對(duì)計(jì)算資源受限的嵌入式系統(tǒng)進(jìn)行在線濾波的應(yīng)用需求,基于隨機(jī)傅里葉特征的核自適應(yīng)濾波算法復(fù)雜度較高;(2)隨機(jī)傅里葉特征的參數(shù)缺少優(yōu)化方法導(dǎo)致算法精度較低;(3)收斂過(guò)程中對(duì)權(quán)值更新的調(diào)控能力不足導(dǎo)致收斂速度較慢等諸多問(wèn)題。因此本文圍繞當(dāng)前基于核近似技術(shù)的自適應(yīng)濾波算法存在的復(fù)雜度較大、精度較低和收斂速度較慢的問(wèn)題展開研究。論文完成的主要研究工作如下:基于隨機(jī)傅里葉特征的核自適應(yīng)濾波算法由于需要將輸入映射到較高維度的特征空間才能達(dá)到較滿意的濾波精度,導(dǎo)致算法計(jì)算復(fù)雜度較高、占用計(jì)算和存儲(chǔ)資源較大的問(wèn)題,難以適用于計(jì)算資源受限的在線自適應(yīng)濾波應(yīng)用。本文從核近似技術(shù)的角度解決特征映射方法上的缺陷,提出了一種基于約簡(jiǎn)高斯核函數(shù)的最小均方算法,通過(guò)利用高斯核部分泰勒展開的低階項(xiàng)近似得到一種約...

【文章頁(yè)數(shù)】：127 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究目的和意義
    1.2 核學(xué)習(xí)理論
        1.2.1 核方法
        1.2.2 核近似技術(shù)
    1.3 核自適應(yīng)濾波算法研究現(xiàn)狀
        1.3.1 核自適應(yīng)濾波算法簡(jiǎn)介
        1.3.2 國(guó)內(nèi)外研究研究現(xiàn)狀
    1.4 本領(lǐng)域存在的主要問(wèn)題
    1.5 本文主要研究?jī)?nèi)容
    1.6 論文的組織結(jié)構(gòu)
第2章 基于約簡(jiǎn)高斯核的最小均方算法
    2.1 引言
    2.2 隨機(jī)傅里葉特征核最小均方算法分析
    2.3 約簡(jiǎn)高斯核最小均方算法提出
    2.4 約簡(jiǎn)高斯核最小均方算法收斂性能分析
        2.4.1 能量守恒關(guān)系推導(dǎo)
        2.4.2 均方收斂條件
        2.4.3 穩(wěn)態(tài)均方誤差
    2.5 約簡(jiǎn)高斯核最小均方算法復(fù)雜度分析
    2.6 約簡(jiǎn)高斯核最小均方算法仿真實(shí)驗(yàn)
        2.6.1 非線性時(shí)間序列預(yù)測(cè)
        2.6.2 非線性信道均衡
    2.7 本章小結(jié)
第3章 隨機(jī)傅里葉特征的參數(shù)樣本集預(yù)處理方法
    3.1 引言
    3.2 隨機(jī)傅里葉特征參數(shù)樣本集分布差異性度量
    3.3 基于預(yù)訓(xùn)練策略的隨機(jī)傅里葉特征參數(shù)樣本集優(yōu)化方法
        3.3.1 預(yù)訓(xùn)練方法提出
        3.3.2 預(yù)訓(xùn)練方法復(fù)雜度分析
        3.3.3 預(yù)訓(xùn)練方法仿真實(shí)驗(yàn)
    3.4 基于核極化策略的隨機(jī)傅里葉特征參數(shù)樣本集優(yōu)化方法
        3.4.1 核極化預(yù)處理方法提出
        3.4.2 核極化預(yù)處理方法復(fù)雜度分析
        3.4.3 核極化預(yù)處理方法仿真實(shí)驗(yàn)
    3.5 本章小結(jié)
第4章 基于權(quán)值收斂?jī)?yōu)化方法的極化隨機(jī)傅里葉特征核最小均方算法
    4.1 引言
    4.2 基于變?cè)介L(zhǎng)策略的權(quán)值收斂?jī)?yōu)化方法提出
        4.2.1 變?cè)介L(zhǎng)極化隨機(jī)傅里葉特征核最小均方算法
        4.2.2 變?cè)介L(zhǎng)極化隨機(jī)傅里葉特征核最小均方算法復(fù)雜度分析
        4.2.3 變?cè)介L(zhǎng)極化隨機(jī)傅里葉特征核最小均方算法仿真實(shí)驗(yàn)
    4.3 基于變遺忘因子變?cè)介L(zhǎng)策略的權(quán)值收斂?jī)?yōu)化方法提出
        4.3.1 變遺忘因子變?cè)介L(zhǎng)極化隨機(jī)傅里葉特征核最小均方算法
        4.3.2 變遺忘因子變?cè)介L(zhǎng)極化隨機(jī)傅里葉特征核最小均方算法復(fù)雜度分析
        4.3.3 變遺忘因子變?cè)介L(zhǎng)極化隨機(jī)傅里葉特征核最小均方算法仿真實(shí)驗(yàn)
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的論文及其他成果
致謝
個(gè)人簡(jiǎn)歷



本文編號(hào)：3868042