基于核函数的自适应滤波算法研究及其系统实现

发布时间：2017-10-09 21:20

  本文关键词：基于核函数的自适应滤波算法研究及其系统实现

  更多相关文章： 自适应非线性滤波 核方法 混合范数 非高斯噪声 系统辨识

【摘要】：自适应非线性滤波器是在信号处理领域中应用广泛,尤其在非线性非平稳的环境中解决有关复杂性和非凸问题。从前的算法是基于高维的块适应算法,由于参与的数据数量庞大,因此在计算上极其昂贵。在目前的非线性滤波方法中,基于核的方法是最流行的,该方法拥有强大的数学基础和分析能力。此外,实验结果也表明了内核非线性模型的巨大成功。在线的核算法可以节省大量的运算量,这也使得他们在滤波器的设计中有很大的灵活性。本文基于再生核希尔伯特空间(RKHS)开发了一类在线学习算法。再生核希尔伯特空间提供一种获得非线性模型的方法,即应用“核技巧”把典型线性算法投影到非线性空间中,并且用内积的方式表达。本文采用了这种内核扩展方法,结合了的最小平均混合范数(LMMN)的自适应滤波方法,对原有算法进行改良,并且在理论和实际应用中取得了良好效果。核方法提供了一个高效的非参数模型而产生的自适应非线性滤波算法(ANF)。然而,在实际应用中,基于标准的平方误差核方法遇到了两个主要问题:(1)恒定步长的设计降低了算法的性能,特别是在非平稳环境中;(2)算法多针对高斯噪声设计,而在实际情况中,噪声在一般遵循非高斯分布。因此,本文提出了两种新的基于内核的ANF算法来克服存在的问题。量化内核最小均方(QKLMS)算法是高斯噪声环境下的最新在线自适应非线性学习算法。本文中我们基于此提出了一种自适应非线性学习,主要应用于非高斯噪声污染的环境,我们称之为量化内核最小均混合范数(QKLMMN)。该方法用混合范数的误差代替了最普遍的平方误差,并且使用了量化的方法减少了运算量。此外,本文还提出了一个内核归一化混合规范(KNMN)算法。相比于标准的基于平方误差核方法,KNMN有更好地鲁棒性和效果。我们引入了一个标准化的步长以及自适应混合参数。最后,本文提供了两种算法的稳态收敛性分析,并给出了非线性时间序列预测和非线性系统辨识的相关实验。仿真结果验证提出算法的良好的优越性和实用性。
【关键词】：自适应非线性滤波 核方法 混合范数 非高斯噪声 系统辨识
【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN713;TN911.7
【目录】：

• 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
• 攻读学位期间发表论文与研究成果清单88-90
• Acknowledgements90

【相似文献】

中国期刊全文数据库 前10条

1 田磊;汪小志;刘志刚;;自适应滤波算法及应用研究[J];电子测试;2008年01期

2 杨波;冯久超;;一种改进的自适应滤波算法及其在回波消除中的应用[J];电子与信息学报;2008年01期

3 耿妍;张端金;;自适应滤波算法综述[J];信息与电子工程;2008年04期

4 崔旭涛;何友;杨日杰;;自适应滤波算法的仿真及工程实现[J];现代电子技术;2009年18期

5 蔡卫菊;;线性自适应滤波算法综述[J];科技资讯;2011年36期

6 吴正国;;自适应滤波算法的新进展[J];海军工程学院学报;1990年03期

7 邹艳碧,高鹰;自适应滤波算法综述[J];广州大学学报(自然科学版);2002年02期

8 高鹰,谢胜利;一种基于三阶累积量的准则及自适应滤波算法[J];电子与信息学报;2002年09期

9 高清运,李学初;适合硬件实现的自适应滤波算法[J];微电子学与计算机;2003年07期

10 王芳,冯新喜,李鸿艳;一种新的自适应滤波算法[J];现代雷达;2003年07期

中国重要会议论文全文数据库 前10条

1 徐润博;;一种变步长自适应滤波算法及其分析[A];2008年中国高校通信类院系学术研讨会论文集（下册）[C];2009年

2 李超;毛剑琴;;一种进化的自适应滤波算法及其在振动主动控制中的应用[A];2003年中国智能自动化会议论文集（下册）[C];2003年

3 刘先省;胡振涛;;基于“当前”统计模型修正的自适应滤波算法[A];2005年中国智能自动化会议论文集[C];2005年

4 牛振中;李岁劳;王青青;任鸿飞;;改进的自适应滤波算法及其在精确空投组合导航中的应用[A];惯性技术发展动态发展方向研讨会文集——新世纪惯性技术在国民经济中的应用[C];2012年

5 赵龙;李铁军;陈璞;;新型自适应滤波算法及其在惯导/双星组合中的应用[A];第一届中国卫星导航学术年会论文集（下）[C];2010年

6 陈勇;黄清;;自适应滤波算法在多普勒频偏估计中的应用研究[A];2007年全国微波毫米波会议论文集（下册）[C];2007年

7 张磊磊;王再英;;基于Matlab仿真的几种自适应滤波算法的比较研究[A];第十七届全国煤矿自动化学术年会、中国煤炭学会自动化专业委员会学术会议论文集[C];2007年

8 陈坡;孙付平;郭飞;刘雪瑞;;扩展自适应滤波算法在GNSS/INS紧组合中的应用[A];微机电惯性技术的发展现状与趋势——惯性技术发展动态发展方向研讨会文集[C];2011年

9 陶伟刚;冯新喜;;一种新的目标跟踪自适应滤波算法[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

10 刘世金;张榆锋;刘大利;高永丽;;几种自适应滤波算法在噪声抵消应用中的仿真比较研究[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

中国博士学位论文全文数据库 前5条

1 高鹰;基于累积量的自适应滤波理论及其应用[D];华南理工大学;2002年

2 张斌;高效稳健的自适应滤波算法研究[D];西安电子科技大学;2010年

3 刘立刚;稀疏冲激响应的自适应滤波算法及其应用研究[D];复旦大学;2010年

4 曾谦;基于滤波器凸集的自适应滤波算法[D];吉林大学;2015年

5 李宁;LMS自适应滤波算法的收敛性能研究与应用[D];哈尔滨工程大学;2009年

中国硕士学位论文全文数据库 前10条

1 蒋阳波;分数阶傅里叶变换自适应滤波算法及应用[D];湘潭大学;2009年

2 袁志勇;一维离散数据的卡尔曼滤波模型的参数估计及自适应滤波算法的改进[D];南京理工大学;2015年

3 陈北辰;非线性化功放的数字预失真系统设计[D];电子科技大学;2015年

4 赵一逍;基于核函数的自适应滤波算法研究及其系统实现[D];北京理工大学;2015年

5 陈莉;自适应滤波算法与应用研究[D];西安电子科技大学;2006年

6 段雪梅;α-稳定噪声环境下的自适应滤波算法[D];西安电子科技大学;2007年

7 郭华;自适应滤波算法及应用研究[D];西北师范大学;2007年

8 鄂智丰;基于相关函数的自适应滤波算法的拓展研究[D];中南林业科技大学;2009年

9 苗秋园;核自适应滤波算法的研究[D];浙江大学;2012年

10 张会先;自适应滤波算法的研究与应用[D];西安电子科技大学;2012年

，

本文编号：1002472