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)無限制增長問題,導(dǎo)致計算復(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)無限制增長的缺陷,一定程度上降低了計算復(fù)雜度,但在計算復(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)針對計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)收斂過程中對權(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)致算法計算復(fù)雜度較高、占用計算和存儲資源較大的問題,難以適用于計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高斯核函數(shù)的最小均方算法,通過利用高斯核部分泰勒展開的低階項(xiàng)近似得到一種約...

【文章頁數(shù)】：127 頁

【學(xué)位級別】：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)濾波算法簡介
        1.3.2 國內(nèi)外研究研究現(xiàn)狀
    1.4 本領(lǐng)域存在的主要問題
    1.5 本文主要研究內(nèi)容
    1.6 論文的組織結(jié)構(gòu)
第2章 基于約簡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 約簡高斯核最小均方算法提出
    2.4 約簡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 約簡高斯核最小均方算法復(fù)雜度分析
    2.6 約簡高斯核最小均方算法仿真實(shí)驗(yàn)
        2.6.1 非線性時間序列預(yù)測
        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)值收斂優(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 基于變元步長策略的權(quán)值收斂優(yōu)化方法提出
        4.2.1 變元步長極化隨機(jī)傅里葉特征核最小均方算法
        4.2.2 變元步長極化隨機(jī)傅里葉特征核最小均方算法復(fù)雜度分析
        4.2.3 變元步長極化隨機(jī)傅里葉特征核最小均方算法仿真實(shí)驗(yàn)
    4.3 基于變遺忘因子變元步長策略的權(quán)值收斂優(yōu)化方法提出
        4.3.1 變遺忘因子變元步長極化隨機(jī)傅里葉特征核最小均方算法
        4.3.2 變遺忘因子變元步長極化隨機(jī)傅里葉特征核最小均方算法復(fù)雜度分析
        4.3.3 變遺忘因子變元步長極化隨機(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
個人簡歷



本文編號：3868042