在强脉冲噪声干扰背景中,核递归最小二乘(Kernel Recursive Least Square,KRLS)算法和核递归最大相关熵(Kernel Recursive Maximum Correntropy,KRMC)算法对非线性信号预测性能严重退化,对此提出一种核递归最小平均P范数(Kernel Recursi...在强脉冲噪声干扰背景中,核递归最小二乘(Kernel Recursive Least Square,KRLS)算法和核递归最大相关熵(Kernel Recursive Maximum Correntropy,KRMC)算法对非线性信号预测性能严重退化,对此提出一种核递归最小平均P范数(Kernel Recursive Least Mean P-norm,KRLMP)算法。首先运用核方法将输入数据映射到再生核希尔伯特空间(Reproducing Kernnel Hilbert Space,RKHS)。其次基于最小P范数准则和正则化方法,推导得到自适应滤波器的最佳权向量,其降低了非高斯脉冲和样本量少的影响。然后利用矩阵求逆理论,推导得到矩阵的递归公式。最后利用核技巧得到在输入空间高效计算的滤波器输出和算法的迭代公式。α稳定分布噪声背景下Mackey-Glass时间序列预测的仿真结果表明:KRLMP算法与KRLS算法和KRMC算法相比,抗脉冲噪声能力强,鲁棒性好。展开更多
针对α稳定分布噪声环境下的自适应滤波问题,提出一种新的基于梯度范数的变步长归一化最小平均p范数(variable step-size normalized least mean p-norm,VSS-NLMP)算法。该算法首先对梯度矢量进行加权平滑,以减小梯度噪声的影响,然后利...针对α稳定分布噪声环境下的自适应滤波问题,提出一种新的基于梯度范数的变步长归一化最小平均p范数(variable step-size normalized least mean p-norm,VSS-NLMP)算法。该算法首先对梯度矢量进行加权平滑,以减小梯度噪声的影响,然后利用梯度矢量能够跟踪自适应过程的均方偏差这一特点,利用梯度矢量的欧氏范数控制步长的变化。给出了新算法的迭代过程,然后对其收敛性进行分析,仿真结果表明本算法较现有变步长NLMP算法有更好的性能。展开更多
文摘在强脉冲噪声干扰背景中,核递归最小二乘(Kernel Recursive Least Square,KRLS)算法和核递归最大相关熵(Kernel Recursive Maximum Correntropy,KRMC)算法对非线性信号预测性能严重退化,对此提出一种核递归最小平均P范数(Kernel Recursive Least Mean P-norm,KRLMP)算法。首先运用核方法将输入数据映射到再生核希尔伯特空间(Reproducing Kernnel Hilbert Space,RKHS)。其次基于最小P范数准则和正则化方法,推导得到自适应滤波器的最佳权向量,其降低了非高斯脉冲和样本量少的影响。然后利用矩阵求逆理论,推导得到矩阵的递归公式。最后利用核技巧得到在输入空间高效计算的滤波器输出和算法的迭代公式。α稳定分布噪声背景下Mackey-Glass时间序列预测的仿真结果表明:KRLMP算法与KRLS算法和KRMC算法相比,抗脉冲噪声能力强,鲁棒性好。
文摘针对α稳定分布噪声环境下的自适应滤波问题,提出一种新的基于梯度范数的变步长归一化最小平均p范数(variable step-size normalized least mean p-norm,VSS-NLMP)算法。该算法首先对梯度矢量进行加权平滑,以减小梯度噪声的影响,然后利用梯度矢量能够跟踪自适应过程的均方偏差这一特点,利用梯度矢量的欧氏范数控制步长的变化。给出了新算法的迭代过程,然后对其收敛性进行分析,仿真结果表明本算法较现有变步长NLMP算法有更好的性能。
