| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第一章 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 非线性滤波工具 | 第11-12页 |
| 1.1.2 核自适应滤波器 | 第12-13页 |
| 1.2 目前研究现状 | 第13-16页 |
| 1.3 本文研究内容 | 第16-19页 |
| 第二章 核在线学习算法基础 | 第19-27页 |
| 2.1 核方法和优化准则 | 第19-21页 |
| 2.1.1 核方法 | 第19-20页 |
| 2.1.2 优化准则 | 第20-21页 |
| 2.2 基于最小均方误差准则的核在线学习算法 | 第21-24页 |
| 2.2.1 核最小均方算法(KLMS) | 第21-22页 |
| 2.2.2 核仿射投影算法(KAPA) | 第22-23页 |
| 2.2.3 核递归最小二乘算法(KRLS) | 第23-24页 |
| 2.3 基于最大相关熵准则的核在线学习算法 | 第24-26页 |
| 2.3.1 核最大相关熵算法(KMC) | 第24-25页 |
| 2.3.2 核递归最大相关熵算法(KRMC) | 第25-26页 |
| 2.4 小结 | 第26-27页 |
| 第三章 带有反馈结构的核最大相关熵算法 | 第27-43页 |
| 3.1 多反馈的核递归最大相关熵(KRMC-MF) | 第27-30页 |
| 3.1.1 算法推导 | 第27-28页 |
| 3.1.2 权重更新 | 第28-29页 |
| 3.1.3 参数设计 | 第29-30页 |
| 3.2 单反馈的核最大相关熵(LRKOL-MCC) | 第30-33页 |
| 3.2.1 算法推导 | 第30-31页 |
| 3.2.2 权重更新 | 第31-32页 |
| 3.2.3 参数设计 | 第32-33页 |
| 3.3 计算复杂度 | 第33页 |
| 3.4 均方收敛性证明 | 第33-37页 |
| 3.5 数值仿真结果 | 第37-42页 |
| 3.5.1 混沌时间序列预测 | 第38-39页 |
| 3.5.2 非线性回归 | 第39-42页 |
| 3.6 小结 | 第42-43页 |
| 第四章 尺度调节的核最小均方算法 | 第43-53页 |
| 4.1 尺度调节的核在线学习算法(KOL-SA) | 第43-46页 |
| 4.1.1 算法推导 | 第43-44页 |
| 4.1.2 权重更新 | 第44-46页 |
| 4.2 均方收敛性证明 | 第46-48页 |
| 4.3 数值仿真结果 | 第48-51页 |
| 4.3.1 混沌时间序列预测 | 第49-50页 |
| 4.3.2 非线性回归 | 第50-51页 |
| 4.4 小结 | 第51-53页 |
| 第五章 随机傅里叶近似的最大相关熵算法 | 第53-73页 |
| 5.1 随机傅里叶 | 第53-54页 |
| 5.2 基于最大相关熵准则的随机傅里叶滤波器 | 第54-57页 |
| 5.2.1 RFFMC算法及权重更新 | 第54-55页 |
| 5.2.2 RB-RFFMC算法及权重更新 | 第55-57页 |
| 5.3 均方性能分析 | 第57-64页 |
| 5.3.1 能量守恒定律 | 第57-58页 |
| 5.3.2 均方收敛性分析 | 第58-59页 |
| 5.3.3 稳态性能 | 第59-64页 |
| 5.4 数值仿真结果 | 第64-71页 |
| 5.4.1 系统识别 | 第65-68页 |
| 5.4.2 非线性回归 | 第68-69页 |
| 5.4.3 太阳黑子序列预测 | 第69-71页 |
| 5.5 小结 | 第71-73页 |
| 第六章 Nystr?m近似的核递归最大相关熵算法 | 第73-81页 |
| 6.1 Nystr?m方法 | 第73页 |
| 6.2 算法推导 | 第73-75页 |
| 6.3 数值仿真结果 | 第75-79页 |
| 6.3.1 混沌时间序列预测 | 第76-78页 |
| 6.3.2 非线性均衡 | 第78-79页 |
| 6.4 小结 | 第79-81页 |
| 第七章 总结与展望 | 第81-83页 |
| 7.1 总结 | 第81页 |
| 7.2 展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士期间已发表的论文 | 第89页 |
| 攻读硕士期间参加的科研项目 | 第89-91页 |
| 附录 A 附录 | 第91-93页 |
| 附录 B 附录 | 第93-95页 |
| 附录 C 附录 | 第95页 |