核自适应滤波算法的分析

《核自适应滤波算法的分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学硕士学位论文致谢在此，我首先特别感谢我的导师李春光老师。李老师治学严谨、工作踏实、学识渊博、经验丰富，在我将近三年的研究生学习生涯中，对我严格要求，不断指正我的错误、肯定我的成绩，帮助我提高科研能力。李老师不论在科研上还是生活中，都给了我莫大的帮助。没有李老师的悉心指导，我的毕业论文的完成将会遇到很多困难。李老师求是、求实的工作作风熏陶着我，他是我研究生阶段及以后步入工作后的学习榜样。感谢刘英老师，她踏实、认真、严谨、勤奋的工作作风感染着我。不论在平日的科研中还是论文的写作上，她都给我提供了很大的帮助和指导。感谢郭大庆、郑群献等各位师兄，给了我

2、那么多无私的帮助和关怀。感谢师妹叶艳，这项研究的顺利进行有着你很大的功劳。你活跃的思维、出色的动手能力都是该项研究前进的动力，从你身上我学到了很多。谨以此文献给所有帮助过我的人。浙江大学硕士学位论文摘要线性系统的计算能力是有限的，通常，现实世界复杂的应用涉及更多的是非线性关系。核方法是将一个线性系统扩展到非线性应用领域的有力工具，最近，核方法已被越来越多地应用于非线性自适应滤波器的设计上。然而，相比于完善的线性自适应滤波器体系，核非线性自适应滤波器还存在很多需要发展的方面，例如算法对不同环境噪声的处理能力、算法收敛速度的提高。本论文针对核非线性自适应滤

3、波器的设计问题从这两个方面进行了研究。首先，对于更一般的噪声环境，在线性自适应滤波算法中，最小平均混合范数(L删N)算法被证实当环境中噪声为长尾分布和短尾分布噪声的线性组合时具有良好的性能。因此，在本论文中，我们研究了核技术和L删N自适应滤波算法的结合，推导出一种可再生核希尔伯特(RKHs)空间中的自适应滤波算法，我们称之为核L删N(KLⅢN)算法。推导了保证算法稳定的学习步长参数的范围，并且证明了该算法是局部指数稳定的。另外，我们给出了在保持算法的收敛速度不变情况下的最优范数混合参数的表达式。为了证实KL删N算法的优势，我们将算法应用于当系统噪声为高

4、斯分布和贝努利分布线性叠加时的非线性系统识别和混沌时间序列预测的问题，仿真结果证实该算法在应对环境噪声为长尾分布和短尾分布的线性组合的问题时，确实能取得更低的收敛均方误差。其次，对于提高核自适应滤波算法的收敛速度问题，我们提出了两个核可变步长算法，简单做了算法的收敛性分析，并给出一个信道均衡的实例验证了这两个算法在保证稳态均方误差(MSE)不变坏的条件下很大程度上提高了算法的收敛速度。关键词：核方法、可再生核希尔伯特空间、最小平均混合范数、局部指数稳定、可变步长、增量元学习H浙江大学硕士学位论文AbstractThecomputationalpower

5、oflinearsystemsislimited．IIlgeneral，mostcomplexreal-world印plicationsinVolVenonline盯relationsmps．Thekemelmetllodisapowerf．ultoolforextending锄algorimmf．romlineartonoIllinearcaSe．Recently，tllekemeltrickisincreaSingly印pliedtotlledesi印ationofnoIllinearad印tiVefilters．How“er，therearem锄

6、yt11ingstodo、)~，itht11ekemerlizednollline盯adaptiVefilteringalgorithmscompared州tllt11emuchmorecomprehensiVelinearaJgoritllIlls，forex锄ple，tllec印abilit)，t0dealwimdia’erentsyStemnoises觚dtlleimproVementoftlleconVergencerate．IIltmstllesis，wedesignkemelizednonlinearadaptiVefiltersf-rom

7、t11et、)~roaSpectsmentionedaboVe．Firstly’concerrdngtllemoregeneralnoiseenViromneIltS，tlleleaSt-mean111ixed·nom(LMMN)algorithmpossessesgoodperfom锄cewhentllesystemmeaSurementnoiseshowsdi嘶bution谢tllalillearcombinationoflongtajls锄dshontails．111uS，intllist11esis，wedomejobofcombimngtll

8、ef．amedkemeltricka11dtlleLMMNalgorithmt0present