基于最大互相关熵的核自适应滤波算法研究

发布时间：2017-10-20 02:39

  本文关键词：基于最大互相关熵的核自适应滤波算法研究

  更多相关文章： 核自适应滤波 最大互相关熵 量化方法

【摘要】：基于核方法的自适应滤波(Kernel Adaptive filtering,KAF)是非常有效的非线性学习算法,已被广泛应用于系统辨识、信道均衡、噪声消除等方面。在这些信号处理过程中,人们认为大部分的噪声呈现高斯分布,因而在实际应用中,核自适应滤波算法大多采用反映二阶统计矩的最小均方误差(Mean Square Error,MSE)准则对模型进行学习。然而在真实的环境中,人们观测出大量的自然噪声都表现出非高斯的行为,例如水声噪声、大气噪声等。在过去十几年中,信息论学习(Information Theoretic Learning,ITL)获得较大的发展,其相关理论在非高斯信号处理中得到了非常广泛的应用。其中,信息论学习中的互相关熵(Correntropy)是衡量随机变量之间的局部的相似度。与MSE准则相比,基于互相关熵的优化准则能够从数据中提取更加丰富的统计信息,因此基于该准则的算法会更加鲁棒。本论文以最小二乘算法(Recursive Least Squares,RLS)为基础,提出基于互相关熵优化准则的核自适应滤波算法,并通过仿真实验对算法性能进行分析和验证。本论文的研究工作主要分为两个部分。首先,本文引入互相关熵,提出基于最大互相关熵(Maximum Correntropy Criterion,MCC)的核最小二乘算法(Kernel Recursive Maximum Correntropy,KRMC)。KRMC算法将输入空间的数据映射到特征空间,在特征空间中运用线性的算法学习滤波器权值。算法定义期望响应和输出信号的互相关熵,在每一次递归学习中最大化该互相关熵,直至算法收敛。与普通的核化最小二乘算法(Kernel Recursive Least Squares,KRLS)相比,基于最大互相关熵的核最小二乘算法利用高斯核函数削弱非高斯噪声对算法迭代的影响,有效地保证在非高斯环境中良好的算法性能。本论文通过混沌时间序列预测仿真实验与其他算法对比,验证KRMC算法的MSE性能,并探讨不同的互相关熵核宽度对KRMC算法的影响。接着,针对核自适应滤波算法普遍存在的网络节点线性递增的问题,提出基于量化方法的核最小二乘算法(Quantized KRMC,QKRMC)。算法建立网络节点字典,在线地对输入数据序列进行筛选,将满足判断条件的数据量化至当前网络节点字典中与之最接近的节点值。量化方法通过量化阈值灵活地控制QKRMC算法的网络结构,在保证算法良好性能的同时,尽可能地精简QKRMC的网络节点。本论文通过混沌时间序列预测仿真实验验证QKRMC算法的MSE性能,并探讨不同的量化阈值对QKRMC算法网络结构的影响。
【关键词】：核自适应滤波 最大互相关熵 量化方法
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN713;TN911.7
【目录】：

• 摘要5-7
• Abstract7-10
• 主要符号表10-11
• 第一章 绪论11-21
• 1.1 研究背景与意义11-12
• 1.2 国内外研究现状12-19
• 1.2.1 核方法研究现状12-16
• 1.2.2 互相关熵研究现状16-19
• 1.3 主要研究工作19
• 1.4 论文的组织结构19-21
• 第二章 背景知识21-32
• 2.1 核方法21-24
• 2.1.1 核函数的性质和选择21-23
• 2.1.2 再生核希尔伯特空间23-24
• 2.2 核自适应滤波24-28
• 2.2.1 自适应滤波25-27
• 2.2.2 核自适应滤波的计算框架27-28
• 2.3 互相关熵28-31
• 2.3.1 互相关熵定义29-30
• 2.3.2 互相关熵性质30-31
• 2.4 本章小结31-32
• 第三章 基于最大互相关熵的核最小二乘算法32-44
• 3.1 引言32
• 3.2 KRLS算法32-34
• 3.2.1 算法推导32-34
• 3.2.2 算法分析34
• 3.3 最大互相关熵34-37
• 3.4 KRMC算法37-39
• 3.4.1 算法推导37-38
• 3.4.2 算法分析38-39
• 3.5 实验结果与分析39-43
• 3.5.1 仿真环境39-40
• 3.5.2 实验结果40-43
• 3.6 本章小结43-44
• 第四章 基于量化方法的KRMC算法44-55
• 4.1 引言44
• 4.2 在线稀疏化方法44-46
• 4.3 QKRMC算法46-50
• 4.3.1 算法推导46-48
• 4.3.2 算法分析48-50
• 4.4 实验结果与分析50-54
• 4.4.1 仿真环境50
• 4.4.2 实验结果50-54
• 4.5 本章小结54-55
• 总结和展望55-56
• 参考文献56-62
• 攻读硕士学位期间取得的研究成果62-63
• 致谢63-64
• 答辩委员会对论文的评定意见64

【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 冯永;稀疏自适应滤波算法研究[D];东南大学;2015年

4 陈元朝;RLS自适应滤波算法在宽高检测系统中的研究与应用[D];太原理工大学;2013年

5 赵集;带有反馈机制的核自适应滤波算法研究[D];西南大学;2016年

6 石嘉豪;基于最大互相关熵的核自适应滤波算法研究[D];华南理工大学;2016年

7 彭思愿;基于最小误差熵自适应滤波算法研究[D];华南理工大学;2016年

8 杨亚;自适应滤波抗干扰方法研究[D];电子科技大学;2016年

9 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

10 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

，

本文编号：1064820