检索结果-南通市图书馆

检索条件"主题词=最近中心估计"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

组合核自适应滤波算法的研究

组合核自适应滤波算法的研究

引用

作者：张皓南西南大学

学位级别：硕士

自适应滤波器（AF,Adaptive Filter）作为统计信号处理的一个重要组成部分,在信号处理和定位等领域得到了广泛的应用与发展。AF在信号处理的过程中,系统参数能够随着输入信号的变化进行自适应调整,因此不需要提前估计噪声与信号的参数... 详细信息

自适应滤波器（AF,Adaptive Filter）作为统计信号处理的一个重要组成部分,在信号处理和定位等领域得到了广泛的应用与发展。AF在信号处理的过程中,系统参数能够随着输入信号的变化进行自适应调整,因此不需要提前估计噪声与信号的参数。核自适应滤波器（KAF,Kernel Adaptive Filter）是一类通过核方法实现函数逼近的非线性滤波器,也是AF在核希尔伯特空间下的另一种形式。KAF输入空间的内积运算可由再生核希尔伯特空间（RKHS,Reproducing Kernel Hilbert Space）中的核方法有效的实现。目前为止核自适应滤波器是处理非线性信号的最佳方法,然而其复杂的滤波器结构导致极高的时间复杂度,因此严重制约了实际应用价值。在控制网络尺寸方面主要包括样本稀疏化和结构稀疏化两类方法。样本稀疏化法是通过向量量化准则与新颖准则等方法精简滤波器结构,进而降低了复杂度;而结构稀疏化通过近似核函数的方法,近似获得高维特征空间的映射函数,因此可以任意设置特征空间维度。然而无论何种稀疏方法都是在牺牲一定滤波性能的前提下,降低复杂度。针对传统稀疏化核滤波器算法计算效率高但精度不足这一问题。本论文设计的组合核自适应滤波器（CKAF,Combined KAF）,旨在充分利用多个子滤波器协同工作,以此来弥补传统KAF精度不足的缺点。在更低的时间复杂度的情况下,CKAF可获得与传统KAF相似的滤波器精确度。而在相同时间复杂度情况下,CKAF具有更好的滤波性能。本文从如下三个方面着手,改进传统核自适应滤波器。（1）控制核滤波器线性增长的尺度:利用最近中心估计（NICE,NearestInstance-Centroid-Estimation）与聚类方法,将原本结构复杂的KAF分成多个近似独立的子滤波器,并根据输入数据与子滤波器各自使用的样本集的距离,交替使用子滤波器。相比于传统的样本稀疏化法获得的样本,该方法获得的样本更加靠近当前输入数据,从而获得更好的滤波效果。（2）提高核滤波器的稀疏化效率:尽管结构稀疏化法中Nystr?m法可以预先设定滤波器的结构大小,但是在计算输入数据的高维特征映射过程中,使用的格拉姆（Gram）矩阵里充满了大量近似为0的无效值,且无效元素位置无规律。本文利用NICE来优化Nystr?m法中的取样过程,以此达到在计算过程中忽略Gram矩阵里无效值的目的,从而提高计算效率。（3）提高核滤波器的滤波性能:本文提出了基于多重随机傅里叶映射的CKAF,即先将输入数据映射到与核希尔伯特空间近似的不同高维特征空间内,再将映射后的数据分别送入不同子滤波器中,最后将各个子滤波器结果叠加,从而提升了传统核滤波器性能。同时本文又提出了一种结构简单的基于多重随机傅里叶映射的CKAF,即先将映射到不同高维特征空间后的数据叠加再利用单个滤波器对叠加后的数据处理,从而降低计算复杂度。

关键词：组合滤波器最近中心估计子滤波器无效值多重随机傅里叶

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

稀疏化自适应滤波算法及滤波器组研究

稀疏化自适应滤波算法及滤波器组研究

引用

作者：刘强西南大学

学位级别：硕士

作为信号处理领域的重要组成部分,自适应滤波器(AF,adaptive filter)已经广泛应用于系统辨别等实际环境中。通过自适应调节滤波系数,AF能够实现对未知系统的辨别和跟踪。在AF算法中,成本函数是数据系统与学习模型间的相似性度量。在高... 详细信息

作为信号处理领域的重要组成部分,自适应滤波器(AF,adaptive filter)已经广泛应用于系统辨别等实际环境中。通过自适应调节滤波系数,AF能够实现对未知系统的辨别和跟踪。在AF算法中,成本函数是数据系统与学习模型间的相似性度量。在高斯噪声环境中,使用二阶相似性度量的AF因其能够提供良好的滤波性能而被广泛使用。然而,在非高斯噪声环境中,使用二阶相似性度量的AF的滤波性能下降。为对抗非高斯噪声环境中离群值的干扰,信息理论学习(ITL,information theoretic learning)从概率角度出发,有效地解决非高斯噪声环境中滤波性能下降的问题。在非线性系统中,线性AF的滤波性能会显著下降。为解决上述问题,将核方法引入到AF中,从而推导出核自适应滤波器(KAF,kernel adaptive filter)。KAF能够有效地解决非线性问题。然而在算法学习的过程中,其线性增长的网络尺寸会带来较高的计算和存储成本。为控制KAF的网络尺寸,稀疏化方法被提了出来。稀疏化方法包括样本稀疏化和结构稀疏化。样本稀疏化方法是通过矢量量化和新奇准则等方法来抑制网络尺寸的增长。结构稀疏化是通过高维特征空间的映射函数,将原始数据映射到固定维的空间,从而控制算法的网络尺寸。然而,以上两种稀疏化方法都是以牺牲一定的滤波性能为代价来降低滤波器的计算复杂度。针对传统稀疏化KAF在滤波精度下降的问题,基于最近中心估计(NICE,Nearest-Instance-Centroid-Estimation)的KAF组被提了出来。该KAF组可以看作是单核多滤波器,它能够针对不同的输入信号,选择最合适的子滤波器,以此来提高传统稀疏化KAF的滤波精度。并且与传统KAF相比,KAF组可以在更低的时间成本下达到与传统KAF相近的滤波精度。本文的研究围绕以上KAF展开,具体如下。(1)为提高传统滤波器对抗非高斯噪声的能力,本文设计出了一种广义对数核损失函数。同时,为了降低KAF的网络尺寸,结合稀疏Nystr(?)m方法,最终推导出一种新的鲁棒Nystr(?)m核递归最小广义对数核损失算法。该算法不仅在非高斯噪声环境中表现出较高的鲁棒性,与传统KAF相比,还具备较低的计算复杂度。(2)为提高Nystr(?)m稀疏方法近似数据集核矩阵的精度,在采样阶段使用概率密度秩量化(PRQ,probability density rank-based quantization)采样方法,有效地避开了随机采样中可能会抽取到的异常值,从而提高了Nystr(?)m稀疏方法的近似精度。(3)稀疏Nystr(?)m法通过对输入数据进行固定维映射,进而控制算法的网络尺寸。在固定维映射的过程中,由于Gram矩阵中充斥的大量数值近似为零且分布无规律的元素,滤波器在计算输出的过程会进行很多无效的运算。本文利用NICE的特性来优化Nystr(?)m法中Gram矩阵,避免了Gram矩阵中的无效值参与到输入数据的固定维映射中,从而降低算法的计算复杂度。优化后的KAF算法可以看作是将原本结构庞大的KAF分割成多个并行的子滤波器,滤波器的输出是多个子滤波器输出的叠加和。进一步,根据高概率密度函数的置信概率可推出,只有离当前输入最近的子滤波器才会影响到KAF的输出,其他子滤波器的输出几乎为零,可直接忽略。将优化后的KAF称为KAF组。因此,在迭代学习中,KAF组算法的各子滤波器交替工作,进一步提高了算法的学习效率。由于每次迭代学习的输出都是由最优的子滤波器计算所得,故相比于传统稀疏Nystr(?)m滤波器算法,该方法可以获取更高的滤波精度。

关键词：滤波器组广义对数核损失最近中心估计 PRQ取样 Nystr(?)m

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：