一种基于多尺度核学习的仿射投影滤波算法

发布时间：2021-09-29 23:40

　　为了提高强非线性信号的噪声消除和信道均衡能力,在核学习自适应滤波方法的基础上,该文提出一种基于惊奇准则的多尺度核学习仿射投影滤波方法（SC-MKAPA）。在核仿射投影滤波算法的基础上,对核组合函数结构进行改进,将多个不同高斯核带宽作为可变参数,与加权系数共同参与滤波器的更新;利用惊奇准则将计算结果稀疏化,根据仿射投影算法的约束条件对惊奇测度进行改进,简化其方差项,降低了计算的复杂度。将该算法应用于噪声消除、信道均衡以及MG时间序列预测中,与多种自适应滤波算法及核学习自适应滤波算法进行仿真结果的对比分析,验证了该算法的优越性。 

【文章来源】：电子与信息学报. 2020,42(04)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

噪声分布

?δSC-MKAPAη1=1.0,η2=0.5,η3=10μ=0.2,t=0.015.0×10–3NC-MKAPAη1=1.0,η2=0.5,η3=10μ=0.25.0×10–3NC-KAPAη1=1.0μ=0.25.0×10–3KLMSη1=1.0μ=0.25.0×10–3LMSη1=1.0μ=0.25.0×10–3表2不同高次项下5种方法MMSE(dB)高次项NSC-MKAPANC-MKAPANC-KAPAKLMSLMS2–71.2–62.8–67.2–32.7–25.63–62.1–56.9–60.6–24.4–19.36–33.9–29.3–30.2–21.5–17.87–18.3–16.3–15.2–13.3–12.9图3对数条件下MSE的学习曲线图4对数条件下MSE的学习曲线第4期李群生等：一种基于多尺度核学习的仿射投影滤波算法929

,η2=0.5,η3=10μ=0.2,t=0.015.0×10–3NC-MKAPAη1=1.0,η2=0.5,η3=10μ=0.25.0×10–3NC-KAPAη1=1.0μ=0.25.0×10–3KLMSη1=1.0μ=0.25.0×10–3LMSη1=1.0μ=0.25.0×10–3表2不同高次项下5种方法MMSE(dB)高次项NSC-MKAPANC-MKAPANC-KAPAKLMSLMS2–71.2–62.8–67.2–32.7–25.63–62.1–56.9–60.6–24.4–19.36–33.9–29.3–30.2–21.5–17.87–18.3–16.3–15.2–13.3–12.9图3对数条件下MSE的学习曲线图4对数条件下MSE的学习曲线第4期李群生等：一种基于多尺度核学习的仿射投影滤波算法929

【参考文献】：
期刊论文
[1]α稳定分布噪声下基于核方法的非线性信道均衡算法[J]. 孙丹华,孙亮,王彬,张俊林.  信号处理. 2017(02)
[2]基于多尺度重采样思想的类指数核函数构造[J]. 胡站伟,焦立国,徐胜金,黄勇.  电子与信息学报. 2016(07)
[3]一种在线时间序列预测的核自适应滤波器向量处理器[J]. 庞业勇,王少军,彭宇,彭喜元.  电子与信息学报. 2016(01)



本文编号：3414678