带有反馈机制的核自适应滤波算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 KAF的研究现状与发展趋势 | 第11-14页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 发展趋势与方向 | 第12-14页 |
| 1.3 KAF在线应用而催生出的稀疏化方法 | 第14页 |
| 1.4 本文的研究内容及组织结构 | 第14-17页 |
| 第二章 核方法背景知识及KLMS算法 | 第17-31页 |
| 2.1 机器学习背景 | 第17-18页 |
| 2.2 重构核希尔伯特空间 | 第18-24页 |
| 2.2.1 希尔伯特空间 | 第18-19页 |
| 2.2.2 Mercer kernel | 第19-20页 |
| 2.2.3 RKHS | 第20-21页 |
| 2.2.4 RKHS与特征空间 | 第21-24页 |
| 2.3 核自适应滤波器(KAFs) | 第24-30页 |
| 2.3.1 核方法 | 第24-25页 |
| 2.3.2 高斯核函数的能力 | 第25-27页 |
| 2.3.3 核最小均方算法(KLMS) | 第27-30页 |
| 2.4 小结 | 第30-31页 |
| 第三章 带有单反馈的核最小均方算法 | 第31-53页 |
| 3.1 前言 | 第31-32页 |
| 3.2 SF-KLMS算法导出 | 第32-40页 |
| 3.2.1 两类权重的更新 | 第34-37页 |
| 3.2.2 SF-KLMS | 第37-39页 |
| 3.2.3 FFW中的动量机制 | 第39-40页 |
| 3.3 SF-KLMS数值仿真结果 | 第40-51页 |
| 3.3.1 学习曲线 | 第40-41页 |
| 3.3.2 稀疏化准则(CC与NC) | 第41-43页 |
| 3.3.3 线性递归在线核算法(LRKOL) | 第43页 |
| 3.3.4 非线性回归 | 第43-48页 |
| 3.3.5 混沌时间序列预测 | 第48-51页 |
| 3.4 小结 | 第51-53页 |
| 第四章 带有单反馈变学习率的核自适应滤波器 | 第53-75页 |
| 4.1 SF-VLRKAF算法导出 | 第53-59页 |
| 4.1.1 算法输出及其权重参数表示 | 第53-54页 |
| 4.1.2 权重的更新方式 | 第54-59页 |
| 4.2 均方性能分析 | 第59-64页 |
| 4.2.1 能量守恒定律 | 第59-61页 |
| 4.2.2 均方收敛分析 | 第61-63页 |
| 4.2.3 稳态性能 | 第63-64页 |
| 4.3 SF-VLRKAF数值仿真结果 | 第64-74页 |
| 4.3.1 稀疏化准则(QC) | 第64-65页 |
| 4.3.2 非线性回归 | 第65-71页 |
| 4.3.3 混沌时间序列预测 | 第71-73页 |
| 4.3.4 非线性信道均衡 | 第73-74页 |
| 4.4 小结 | 第74-75页 |
| 第五章 带任意反馈核自适应滤波器 | 第75-83页 |
| 5.1 RFs-KAF算法导出 | 第75-78页 |
| 5.2 非线性回归 | 第78-81页 |
| 5.2.1 无噪环境中的比较 | 第78-80页 |
| 5.2.2 有噪环境中的比较 | 第80-81页 |
| 5.3 小结 | 第81-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 论文总结 | 第83页 |
| 6.2 未来展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 硕士期间取得的成果 | 第91页 |
