| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 目次 | 第8-10页 |
| 1 绪论 | 第10-17页 |
| ·自适应滤波器 | 第10-14页 |
| ·线性自适应滤波器 | 第10-14页 |
| ·非线性自适应滤波器 | 第14页 |
| ·基于核方法的非线性自适应滤波器 | 第14-15页 |
| ·本论文的主要研究内容 | 第15-17页 |
| 2 核最小平均混合范数(KLMMN)自适应滤波算法的推导 | 第17-32页 |
| ·核方法 | 第17-19页 |
| ·最小平均混合范数算法(LMMN) | 第19-23页 |
| ·LMMN自适应算法的收敛和稳定性质 | 第22页 |
| ·LMMN自适应算法的失调 | 第22-23页 |
| ·学习曲线 | 第23页 |
| ·核最小平均混合范数算法(KLMMN) | 第23-31页 |
| ·核及其参数的选择 | 第27-29页 |
| ·稀疏化模型 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3 KLMMN自适应算法的收敛和稳定性分析 | 第32-42页 |
| ·算法收敛的学习步长范围的确定 | 第32-36页 |
| ·均值收敛的学习步长的范围的确定 | 第32-34页 |
| ·方差收敛的学习步长的范围的确定 | 第34-36页 |
| ·KLMMN自适应算法的稳定状态分析 | 第36-41页 |
| ·线性化 | 第37-38页 |
| ·慢时变和平均 | 第38-40页 |
| ·全稳定理论 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 4. 平稳环境下最优范数混合参数的确定 | 第42-48页 |
| ·LMMN的最优范数混合参数的确定 | 第42-44页 |
| ·仿真实验 | 第44-47页 |
| ·KLMMN的最优范数混合参数的确定 | 第47页 |
| ·本章小结 | 第47-48页 |
| 5. 应用实例 | 第48-54页 |
| ·非线性系统的识别 | 第48-50页 |
| ·非线性时间序列的预测 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 6. 核可变步长算法 | 第54-66页 |
| ·两种常用的线性可变步长算法的介绍 | 第54-56页 |
| ·改进的VSS LMS算法(MVSS LMS) | 第54-55页 |
| ·增量Delta-Bar-Delta算法(IDBD) | 第55-56页 |
| ·核可变步长LMS算法(KVSS-LMS) | 第56-57页 |
| ·核增量元学习算法(KIMEL) | 第57-61页 |
| ·权值向量的一阶矩的收敛性分析 | 第61-62页 |
| ·仿真实例 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 7 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 | 第71页 |