[发明专利]基于DRVB-ASCKF的SVR参数优化方法

说明书

技术领域

本发明属于非线性系统的模式识别领域，特别涉及一种基于双重递归变分贝叶斯的自适应平方容积卡尔曼滤波(DRVB-ASCKF)方法。 

背景技术

支持向量回归(SVR)是一类基于统计学理论和结构风险最小原则的机器学习算法，可用于解决针对小样本、非线性和高维参数的预测问题，因此它具有较好的泛化功能。由于SVR的性能在很大程度上取决于系统参数的选择，因此提高SVR模型性能的关键就在于相关参数的优化。 

解决上述不确定参数优化问题的传统方法是利用自适应滤波方法，其中模型参数或噪声统计特性可以与动态状态一同估计获得。变分贝叶斯(VB)可用于实现状态和未知观测噪声方差的同步估计。目前一种高精度的变分贝叶斯自适应卡尔曼滤波算法即通过VB方法来近似状态和观测噪声的联合后验分布，可通过因式分解自由分布形式来获得状态和观测噪声协方差的次优同步估计，但是它只能应用于线性系统。随后，变分贝叶斯自适应无味卡尔曼滤波(VB-UKF)的引入解决了带有未知观测噪声协方差的非线性估计问题。而后，研究发现平方容积卡尔曼滤波(SCKF)较之于(UKF)具有较高的估计性能。因此，通过变分贝叶斯自适应平方容积卡尔曼滤波(VB-ASCKF)来估计SVR参数可以获得更高的滤波精度和较强的鲁棒性。上述方法缺乏全局优化特性且优化效率较低，并且在实际系统中，噪声统计特性往往未知，由于过程噪声和测量噪声间存在着某种函数关系，因此我们对VB-ASCKF进行了改进。 

发明内容

针对上述问题，本发明提出了双重递归变分贝叶斯自适应卡尔曼滤波方法(DRVB-ASCKF)，本发明大体包括三部分内容：第一部分根据实际情况中的支持向量回归(SVR)的参数优化问题进行系统建模；第二部分简述变分贝叶斯自适应平方容积卡尔曼滤波(VB-ASCKF)；第三部分结合 VB-ASCKF引出DRVB-ASCKF，并最终求得状态估计估计误差协方差P_k|k，观测噪声协方差过程噪声协方差以及Inv-Gamma分布参数α_k和β_k。 

本发明可以优化等得到一个动态全局性的SVR估计参数。该方法具有较高的滤波精度，同时它也可以处理噪声方差的不确定问题，此外，如果函数间关系不确定，该方法也仍旧可以获得一个较高的参数估计精度。 

附图说明

图1为观测噪声和过程噪声的估计流程图； 

图2为DRVB-ASCKF的流程图。 

具体实施方式

下面首先根据实际情况中的SVR参数优化问题建立系统模型，而后简要经分析VB-ASCKF，最后基于该方法并改进提出了DRVB-ASCKF，使得最终系统可以获得一个基于全局性的SVR参数动态估计值。下面详细介绍本发明的实施过程。 

步骤1.系统建模: 

由于支持向量回归(SVR)的性能在很大程度上取决于系统参数选择，因此提高SVR模型性能的关键就在于相关参数的优化。现将SVR的系统选择问题转换为非线性系统状态估计问题，并建立非线性状态空间模型如下： 

xk=xk-1+vk-1yk=h(xk)+wk---(1)]]>