資源描述：
《非高斯沖激干擾下基于核方法的自適應(yīng)濾波算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、分類號(hào)TN911密級(jí)公開(kāi)UDC621.39學(xué)位論文編號(hào)D-10617-308-(2016)-01003重慶郵電大學(xué)碩士學(xué)位論文中文題目非高斯沖激干擾下基于核方法的自適應(yīng)濾波算法研究英文題目ResearchontheAdaptiveFilteringAlgorithmsBasedonKernelMethodinImpulsiveInterference學(xué)號(hào)S130101002姓名曾俊俊學(xué)位類別工學(xué)碩士學(xué)科專業(yè)信息與通信工程指導(dǎo)教師林云副教授完成日期2016年4月10日重慶郵電大學(xué)碩士學(xué)位論文摘要摘要傳統(tǒng)的線性自適應(yīng)濾波算法
2、在處理線性問(wèn)題方面展現(xiàn)出了強(qiáng)大的計(jì)算能力。但是，通常實(shí)際應(yīng)用如：系統(tǒng)識(shí)別、語(yǔ)音回聲消除、時(shí)間序列預(yù)測(cè)等，其輸入-輸出涉及更多的是非線性關(guān)系。此時(shí)利用線性自適應(yīng)濾波算法處理非線性問(wèn)題，效果并不理想。核方法是一個(gè)將線性算法擴(kuò)展為非線性算法的有力工具。在非線性自適應(yīng)濾波領(lǐng)域，核方法越來(lái)越受到重視。已有的大多數(shù)核自適應(yīng)濾波算法（如核最小均方算法）都是在假定環(huán)境噪聲為高斯白噪聲的前提下推導(dǎo)出的。在沖激噪聲的干擾下，這些算法的跟蹤性能衰減嚴(yán)重，即魯棒性能差。本文研究強(qiáng)健的核自適應(yīng)濾波算法，具有重要的理論和現(xiàn)實(shí)意義。首先，在線性自適應(yīng)
3、濾波算法中，最小對(duì)數(shù)絕對(duì)誤差(LeastLogarithmicAbsoluteDifference,LLAD)算法已經(jīng)被證明在沖激噪聲干擾下具有良好的魯棒性能。在本文中，將核方法與LLAD算法結(jié)合推導(dǎo)出核最小對(duì)數(shù)絕對(duì)誤差(KernelLLAD,KLLAD)算法，然后將提出的算法應(yīng)用于非線性系統(tǒng)辨識(shí)。仿真實(shí)驗(yàn)結(jié)果表明，KLLAD算法在沖激噪聲干擾下，能保持良好的穩(wěn)定性，并且其穩(wěn)態(tài)誤差低于對(duì)應(yīng)的線性算法。其次，針對(duì)線性LLAD算法在有沖激噪聲干擾時(shí)采用符號(hào)來(lái)更新濾波器權(quán)重系數(shù)導(dǎo)致算法收斂速度變慢的問(wèn)題。文中提出了基于反正切代
4、價(jià)函數(shù)的歸一化最小均方(NormalizedLeastMeanSquareAlgorithmBasedontheArctangentCostFunction,Arc-NLMS)算法，該算法在有沖激噪聲干擾時(shí)采用不更新權(quán)重系數(shù)的策略來(lái)保證算法不向錯(cuò)誤的方向更新。線性系統(tǒng)辨識(shí)實(shí)驗(yàn)表明該算法在沖激噪聲出現(xiàn)頻率高時(shí)，仍能保持快速的收斂速度。然后將Arc-NLMS算法與核方法結(jié)合推導(dǎo)出對(duì)應(yīng)的核算法，接著采用量化準(zhǔn)則進(jìn)一步降低算法的計(jì)算復(fù)雜度。非線性系統(tǒng)辨識(shí)實(shí)驗(yàn)表明提出的算法在沖激噪聲干擾下魯棒性能好，并且計(jì)算復(fù)雜度低。關(guān)鍵詞：核方
5、法，沖激噪聲干擾，自適應(yīng)濾波算法，反正切代價(jià)函數(shù)，非線性系統(tǒng)辨識(shí)I重慶郵電大學(xué)碩士學(xué)位論文AbstractAbstractThetraditionallinearadaptivefilteringalgorithmshaveshownpowerfulcomputationindealingwiththelinearproblems.However,ingeneral,thereal-worldcomplexapplicationssuchassystemidentification,voiceechocancellati
6、on,timeseriesprediction,mostofthem,therelationshipbetweeninputandoutputisnonlinear.Thetraditionallinearmethodisdifficulttodealwiththem.Thekernelmethodisapowerfultoolforextendinganalgorithmfromlineartononlinearcase.Recently,kernelmethodhasbeenusedinthedesignofnonl
7、inearfilterincreasingly.Mostexistingkerneladaptivefilteringalgorithms(suchaskernelleastmeansquarealgorithm)arederivedinthepremisethatthebackgroundnoiseisassumedtobeGaussianwhitenoise.Thesealgorithmssufferfromperformancedegeneration,whentheunknownsystemisinterfere
8、dbyimpulsivenoise.Inotherword,thesealgorithmsarenotrobustagainstimpulsivenoise.Thisthesismainlystudiesontherobustkerneladaptivefilteringalgorithminimpulsiveint
