论文部分内容阅读
在线性系统中,传统的自适应滤波算法表现出了很好的计算能力,然而,在实际应用中涉及到很多非线性问题,此时线性自适应滤波算法的跟踪性能不佳。核方法作为一个将线性系统模型扩展到非线性应用领域的有力工具,已经被广泛应用到非线性自适应滤波器的设计中。在已有的核自适应滤波器算法中,核最小均方(Kernel Least Mean Square,KLMS)算法因为其结构简单,逼近能力强,计算复杂度相对较低等优点得到了越来越多的关注。然而,核最小均方算法是在高斯白噪声环境下推导出的,在非高斯冲激噪声干扰下,算法的跟踪性能会严重恶化,这限制了它在实践中的应用。因此本文在非高斯冲激噪声环境下,对如何改善核最小均方类算法的稳定性和收敛速度进行研究。主要的研究内容如下:1.针对核最小均方算法在非高斯冲激噪声环境下收敛性能不足的问题,W.Liu等人提出了抗非高斯冲激噪声干扰的核最大相关熵(Kernel Maximum Correntropy Criterion,KMCC)算法。当出现冲激噪声干扰时,KMCC算法的滤波器权系数几乎不更新,从而保证了算法的稳定性,然而与KLMS算法相比,KMCC算法的收敛速度较慢。因此,本文将KLMS与KMCC算法结合,提出一种新的组合算法。仿真结果表明,本文所提出的组合算法既具有类似KMCC算法抗冲激噪声干扰的能力,又具有类似KLMS算法快速收敛的特性。2.针对KLMS和KMCC的组合算法稳定性不足和混合参数选取困难的问题,本文提出了核最小对数绝对差(Kernel Least Logarithmic Absolute Difference,KLLAD)算法。该算法可以通过预测误差的大小变化在KLMS和符号类算法之间自动切换,从而保证了算法的鲁棒性和收敛速度,同时避免了对混合参数的选取。仿真结果表明,KLLAD算法比KLMS和KMCC的组合算法具有更好的稳定性和更快的收敛速度。此外,为了进一步提高算法的收敛速度,本文还将KLLAD与KLMS相结合推导出了一种新的组合算法。仿真结果表明,该算法比KLMS算法具备更好的抗冲激噪声干扰的能力,同时它比KLLAD算法具备更快的收敛速度。