导读:本文包含了自适应核方法论文开题报告文献综述及选题提纲参考文献，主要关键词:核方法,冲激噪声干扰,自适应滤波算法,反正切代价函数
自适应核方法论文文献综述
曾俊俊[1]（2016）在《非高斯冲激干扰下基于核方法的自适应滤波算法研究》一文中研究指出传统的线性自适应滤波算法在处理线性问题方面展现出了强大的计算能力。但是,通常实际应用如:系统识别、语音回声消除、时间序列预测等,其输入-输出涉及更多的是非线性关系。此时利用线性自适应滤波算法处理非线性问题,效果并不理想。核方法是一个将线性算法扩展为非线性算法的有力工具。在非线性自适应滤波领域,核方法越来越受到重视。已有的大多数核自适应滤波算法(如核最小均方算法)都是在假定环境噪声为高斯白噪声的前提下推导出的。在冲激噪声的干扰下,这些算法的跟踪性能衰减严重,即鲁棒性能差。本文研究强健的核自适应滤波算法,具有重要的理论和现实意义。首先,在线性自适应滤波算法中,最小对数绝对误差(Least Logarithmic Absolute Difference,LLAD)算法已经被证明在冲激噪声干扰下具有良好的鲁棒性能。在本文中,将核方法与LLAD算法结合推导出核最小对数绝对误差(Kernel LLAD,KLLAD)算法,然后将提出的算法应用于非线性系统辨识。仿真实验结果表明,KLLAD算法在冲激噪声干扰下,能保持良好的稳定性,并且其稳态误差低于对应的线性算法。其次,针对线性LLAD算法在有冲激噪声干扰时采用符号来更新滤波器权重系数导致算法收敛速度变慢的问题。文中提出了基于反正切代价函数的归一化最小均方(Normalized Least Mean Square Algorithm Based on the Arctangent Cost Function,Arc-NLMS)算法,该算法在有冲激噪声干扰时采用不更新权重系数的策略来保证算法不向错误的方向更新。线性系统辨识实验表明该算法在冲激噪声出现频率高时,仍能保持快速的收敛速度。然后将Arc-NLMS算法与核方法结合推导出对应的核算法,接着采用量化准则进一步降低算法的计算复杂度。非线性系统辨识实验表明提出的算法在冲激噪声干扰下鲁棒性能好,并且计算复杂度低。(本文来源于《重庆邮电大学》期刊2016-04-10）
赵春晖,尤佳,李晓慧[2]（2012）在《基于自适应核方法的正交子空间投影异常检测算法》一文中研究指出在高光谱图像的异常目标检测核方法中,高斯径向基核函数的宽度决定因子(即核参数)选择恰当与否是决定算法性能的重要因素。针对这一问题,提出了一种基于自适应核方法的正交子空间投影高光谱图像异常检测算法,有效的解决了统一的全局检测参数在复杂多变背景环境下检测性能下降的问题。这不仅提高了算法的通用性,也降低了检测的计算量。用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。将该算法与其他算法进行比较,结果表明,所提出算法的检测性能明显地优于传统算法,降低了虚警概率。(本文来源于《黑龙江大学自然科学学报》期刊2012年02期）
解明辉,李文元,李少根[3]（2012）在《一种基于核方法的LMF自适应多用户检测器》一文中研究指出为加快收敛速度,获得稳定的性能,提出一种基于核方法的LMF(kernel least mean fourth,KLMF)多用户检测器。将DS-CDMA接收机收到的信号通过高斯核函数映射到高维特征空间(核空间),进行线性检测,并以实例在同步高斯信道环境下进行仿真试验比较。仿真结果表明:该方法能避免高维特征空间的复杂运算,通过选择合适的核参数,KLMF检测比LMF检测具有更好的收敛性能。(本文来源于《兵工自动化》期刊2012年03期）
林玉荣,王强[4]（2011）在《基于自适应权系数核方法的超光谱图像分类》一文中研究指出为了进一步提高支持向量机方法在超光谱图像分类中的性能,提出一种自适应加权核方法。该方法的关键是每个波段自适应权值的计算,考虑到超谱数据信息依波段分布不均匀及每个波段图像所含信息不同的特性,采用相邻波段图像间的相关系数及波段图像的归一化标准差之和作为该波段数据的权值,并给出了算法的具体实现步骤。实验结果表明:自适应加权核方法明显优于支持向量机方法,平均精度和总体精度分别提高了2.07%和2.28%,且对支持向量数目也有一定约减。(本文来源于《红外与激光工程》期刊2011年12期）
朱陈良[5]（2011）在《基于核方法的自适应滤波的算法的研究》一文中研究指出自适应滤波算法目前已经成为信号处理学科的一个重要领域。其中,最小均方算法LMS是最着名的线性实时算法之一。由Widrow和Hoff在1960年提出,LMS算法由于其在各种信号处理中的简单性和应用性成为十分广泛的工具。但是,随着科技和学术的发展,非线性系统的处理问题在国防、雷达、通讯等领域已经越来越得到重视。在这种情况下,线性滤波算法在处理这些非线性问题时表现不理想。而传统的处理非线性问题的算法如神经网络等,虽然处理非线性问题的效果较好,但是计算较复杂,容易陷入局部极小值等原因,所以在实际中应用困难。核方法的基本原理为我们通过线性算法构造对应的非线性算法提供了一条有效的途径。本文以线性自适应滤波算法为基础,借助于核方法原理,构造出基于核的自适应滤波算法。这种算法本质上是一种非线性自适应滤波算法,不仅具有像神经网络的非线性信号处理能力,又具有类似于线性滤波算法的低计算代价。本文的创新工作如下:(1)提出了两种基于核方法的自适应滤波算法。利用核方法原理,将最小均方算法映射到高维特征空间,在高维特征空间中进行自适应学习,并且采用归一化的思想和变步长的更新方式。然后,通过核函数返回原空间进行计算以此构造出基于核的自适应滤波算法。仿真实验表明该算法具有较强的非线性信号处理能力。(2)研究所提出的核NLMS自适应滤波算法在噪声抵消问题的应用。将所提出的基于核自适应滤波算法应用于音频噪声抵消,实现对噪声信号的抑制衰减。仿真实验验证了核NLMS自适应滤波算法在音频噪声抵消中的性能效果。(本文来源于《西华大学》期刊2011-04-01）
汪洪桥,蔡艳宁,孙富春,赵宗涛[6]（2011）在《多尺度核方法的自适应序列学习及应用》一文中研究指出多尺度核方法是当前核机器学习领域的一个热点.通常多尺度核的学习在多核处理时存在诸如多核平均组合、迭代学习时间长、经验选择合成系数等弊端.文中基于核目标度量规则,提出一种多尺度核方法的自适应序列学习算法,实现多核加权系数的自动快速求取.实验表明,该方法在回归精度、分类正确率方面比单核支持向量机方法结果更优,函数拟合与分类稳定性更强,证明该算法具有普遍适用性.(本文来源于《模式识别与人工智能》期刊2011年01期）
范小岗,李雷,陈潇,郭会平[7]（2007）在《一种基于LS-SVM的CDMA信号接收机自适应核方法》一文中研究指出给出了一种基于最小二乘支持向量机(LS-SVM)的码分多址(CDMA)系统信号接收机非线性自适应核算法。LS-SVM使用均方误差原则,优点是能应用于自适应在线的情况,基于LS-SVM的接收检测器复杂度适中,能够实现非线性分类,并能够自适应执行,而且仅仅只需要从用户那里得到较少的训练数据序列。(本文来源于《西安邮电学院学报》期刊2007年03期）
自适应核方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在高光谱图像的异常目标检测核方法中,高斯径向基核函数的宽度决定因子(即核参数)选择恰当与否是决定算法性能的重要因素。针对这一问题,提出了一种基于自适应核方法的正交子空间投影高光谱图像异常检测算法,有效的解决了统一的全局检测参数在复杂多变背景环境下检测性能下降的问题。这不仅提高了算法的通用性,也降低了检测的计算量。用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。将该算法与其他算法进行比较,结果表明,所提出算法的检测性能明显地优于传统算法,降低了虚警概率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应核方法论文参考文献
[1].曾俊俊.非高斯冲激干扰下基于核方法的自适应滤波算法研究[D].重庆邮电大学.2016
[2].赵春晖,尤佳,李晓慧.基于自适应核方法的正交子空间投影异常检测算法[J].黑龙江大学自然科学学报.2012
[3].解明辉,李文元,李少根.一种基于核方法的LMF自适应多用户检测器[J].兵工自动化.2012
[4].林玉荣,王强.基于自适应权系数核方法的超光谱图像分类[J].红外与激光工程.2011
[5].朱陈良.基于核方法的自适应滤波的算法的研究[D].西华大学.2011
[6].汪洪桥,蔡艳宁,孙富春,赵宗涛.多尺度核方法的自适应序列学习及应用[J].模式识别与人工智能.2011
[7].范小岗,李雷,陈潇,郭会平.一种基于LS-SVM的CDMA信号接收机自适应核方法[J].西安邮电学院学报.2007