核自适应滤波

核自适应滤波

(美) 刘伟峰, (美) 普林西佩 (Principe,J.C.) , (加) 赫金 (Haykin,S.) , 著

出版社:国防工业出版社

年代:2014

定价:68.0

书籍简介:

本书在开篇首先介绍了机器学习、线性自适应滤波和传统非线性方法的基本概念。接着介绍核自适应滤波的数学基础-再生核希尔伯特空间理论。此处着重强调了核自适应滤波器是一个通用的函数逼近器、在自适应过程中无局部极小值而仅需要合理的计算资源。其次,本书研究了核自适应滤波系列中最简单的核最小均方算法。其三,介绍了核仿射投影算法,具体包括四个类似的算法。其四,介绍了核递归最小二乘算法和高斯过程回归理论。其五,在核递归最小二乘算法基础上讨论扩展核递归最小二乘算法。最后,本书介绍了核自适应滤波器的主要瓶颈,引入了一个称为”惊奇度”的主观信息测度,并给出了一个统一稀疏方法来有效地裁剪核自适应滤波器的生长,以三个有趣的计算机仿真实验来加以说明。

书籍目录:

第1章 背景与展望

1.1 监督、序贯和主动学习

1.2 线性自适应滤波器

1.2.1 最小均方算法

1.2.2 递归最小二乘算法

1.2.3 扩展递归最小二乘算法

1.3 非线性自适应滤波器

1.4 再生核希尔伯特空间

1.5 核自适应滤波器

1.6 总结

注释

第2章 核最小均方算法

2.1 最小均方算法

2.1.1 LMS算法的收敛性

2.1.2 LMS算法的失调

2.1.3 学习曲线

2.2 核最小均方算法

2.3 核及参数选择

2.4 步进参数

2.5 新奇准则

2.6 KLMS算法的自正则化特性

2.6.1 解范式约束

2.6.2 奇异值分析

2.6.3 单位下三角线性系统

2.7 泄漏核最小均方算法

2.8 标准核最小均方算法

2.9 核ADALINE算法

2.10 资源配置网络

2.11 计算机实验

2.11.1 KLMS算法应用于Mackey.Glass时间序列预测

2.11.2 KLMS应用于非线性信道均衡

2.12 结论

注释

第3章 核仿射投影算法

3.1 仿射投影算法

3.2 核仿射投影算法

3.2.1 KAPA.1(简单KAPA)

3.2.2 KAPA.2(标准化KAPA)

3.2.3 KAPA.3(泄漏KAPA)

3.2.4 KAPA4(基于牛顿递归的泄漏KAPA)

3.3 误差重用

3.4 滑动窗口Gram矩阵逆

3.5 相关算法之间的关系

3.5.1 KLMS算法

3.5.2 NORMA算法

3.5.3 核ADALINE算法

3.5.4 滑动窗核递归最小二乘算法

3.5.5 正则化网络

3.6 计算机实验

3.6.1 KAPA应用于MG时间序列预测

3.6.2 KAPA应用于消除噪声

3.6.3 KAPA应用于非线性信道均衡

3.7 结论

注释

第4章 核递归最小二乘算法

4.1 递归最小二乘算法

4.1.1 正则化和初始化

4.2 指数加权递归最小二乘算法

4.3 核递归最小二乘算法

4.4 近似线性相关

4.5 指数加权核递归最小二乘算法

4.6 高斯过程线性回归

4.7 高斯过程非线性回归

4.8 贝叶斯模型选择

4.9 计算机实验

4.9.1 KRLS应用于Mackey—Glass时间序列预测

4.9.2 最大边际似然进行模型选择

4.10 结论

注释

第5章 扩展核递归最小二乘算法

5.1 扩展递归最小二乘算法

5.2 指数加权扩展递归最小二乘算法

5.3 扩展核递归最小二乘算法

5.4 扩展核递归最小二乘算法用于跟踪模型

5.5 有限秩假设的扩展核递归最小二乘算法

5.6 计算机实验

5.6.1 EXKRLS应用于瑞利信道跟踪

5.6.2 EXKRLS在洛伦兹时间序列预测中的应用

5.7 结论

注释

第6章 稀疏核自适应滤波器设计

6.1 惊奇测度SC定义

6.2 高斯过程回归复习

6.3 计算惊奇测度SC

6.3.1 输入分布

6.3.2 未知的期望信号

6.3.3 新奇概率

6.4 使用惊奇准则的核递归最小二乘算法

6.5 使用惊奇准则的核最小均方算法

6.6 使用惊奇准则的核仿射投影算法

6.7 计算机实验

6.7.1 惊奇准则应用于非线性回归

6.7.2 惊奇准则应用于MG时间序列预测

6.7.3 sc准则应用于C0,浓度预测

6.8 结论

注释

附录A 数学背景

A.1 奇异值分解

A.1.1 伪逆

A.1.2 最小范数解

A.2 正定矩阵

A.3 特征值分解

A.4 Schur补

A.5 块矩阵求逆

A.6 矩阵求逆引理

A.7 联合概率、边缘概率和条件概率

A.8 正态分布

A.9 梯度下降法

A.10 牛顿法

附录B 近似线性相关与系统稳定性

参考文献

后记

内容摘要:

《核自适应滤波》首先通过一个被称 为再生核的正定函数推导出再生核希尔 伯特空间(Reproduction Kernel Hilbert Spaces, RKHS)理论,该理论 可以将输入数据非线性变换到高维特征空间。如果在 RKHS空间将要 进行的滤波和自适应操作可以表示为投影样本的内积 ,那么在输入空 间这些操作就可以直接通过核评价公式(Kernel Evaluations)来计算。
基于此方法,我们将进一步介绍RKHS空间的自适应滤 波算法家族: ·核最小均方算法; ·核仿射投影算法; ·核递归最小均方算法; ·扩展核递归最小均方算法。
这些核学习算法在两个重要领域——自适应滤波 和神经网络之 间构建了一个紧密桥梁,并且将误差修正学习和记忆 学习两大重要方 法学完美地集于一身。将RKHS方法应用于非线性滤波 设计的瓶颈在 于如何正则化、选择合适的核函数以及如何对滤波器 生长过程进行削 减。本书将采用严格的数学推导形式,指出这些问题 ,同时给出具体 的解决方法,并且通过具体实例展示核自适应滤波方 法的优越性能。
《核自适应滤波》适合对自适应滤波、神经网络和核方法感兴 趣的工程师、计 算机科学家以及研究生等使用。

书籍规格:

书籍详细信息
书名核自适应滤波站内查询相似图书
9787118095975
如需购买下载《核自适应滤波》pdf扫描版电子书或查询更多相关信息,请直接复制isbn,搜索即可全网搜索该ISBN
出版地北京出版单位国防工业出版社
版次1版印次1
定价(元)68.0语种简体中文
尺寸21 × 15装帧平装
页数印数

书籍信息归属:

核自适应滤波是国防工业出版社于2014.9出版的中图分类号为 TN713 的主题关于 自适应滤波 的书籍。