非线性自适应滤波算法的设计及收敛性分析
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文主要研究内容与结构 | 第12-14页 |
| 第二章 自适应滤波器 | 第14-26页 |
| 2.1 基于内积的自适应滤波器 | 第14-19页 |
| 2.1.1 再生核希尔伯特空间 | 第14-16页 |
| 2.1.2 自适应滤波算法的稀疏化 | 第16-17页 |
| 2.1.3 常见的基于内积的自适应滤波算法 | 第17-19页 |
| 2.2 基于状态空间的自适应滤波器 | 第19-25页 |
| 2.2.1 扩展卡尔曼滤波算法 | 第20-21页 |
| 2.2.2 无先导卡尔曼滤波算法 | 第21-22页 |
| 2.2.3 球面单纯性径向容积卡尔曼滤波器 | 第22-25页 |
| 2.3 本章总结 | 第25-26页 |
| 第三章 具有加权平滑的量化核递归最小二乘算法 | 第26-38页 |
| 3.1 加权平滑的核最小均方算法 | 第26-27页 |
| 3.2 量化的核递归最小二乘算法 | 第27-28页 |
| 3.3 具有加权平滑的量化核递归最小二乘算法 | 第28-32页 |
| 3.3.1 量化区域的加权方法 | 第28-30页 |
| 3.3.2 量化区域的自适应更新方法 | 第30-31页 |
| 3.3.3 计算复杂度 | 第31-32页 |
| 3.4 仿真结果 | 第32-36页 |
| 3.4.1 混沌序列预测 | 第32-34页 |
| 3.4.2 非线性回归 | 第34-36页 |
| 3.5 本章总结 | 第36-38页 |
| 第四章 具有多反馈的核递归最小二乘算法 | 第38-48页 |
| 4.1 线性递归核在线学习算法 | 第38页 |
| 4.2 具有多反馈的核递归最小二乘算法 | 第38-42页 |
| 4.3 收敛性分析 | 第42-45页 |
| 4.4 仿真结果 | 第45-47页 |
| 4.4.1 混沌序列预测 | 第45-46页 |
| 4.4.2 非线性回归 | 第46-47页 |
| 4.5 本章总结 | 第47-48页 |
| 第五章 基于新息的非线性卡尔曼滤波器的收敛分析 | 第48-60页 |
| 5.1 非线性卡尔曼滤波器 | 第48-50页 |
| 5.2 基于新息的收敛分析 | 第50-54页 |
| 5.3 仿真结果 | 第54-58页 |
| 5.3.1 二维非线性-线性随机系统 | 第55-56页 |
| 5.3.2 感应电机双相非线性模型 | 第56-58页 |
| 5.4 本章总结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60页 |
| 6.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士期间已发表的论文 | 第70页 |
| 攻读硕士期间参加的科研项目 | 第70页 |
