[发明专利]一种基于多核量化的非线性滤波方法

说明书

本发明公开了一种基于多核量化的非线性滤波方法，包括如下步骤：第一步：对于滤波器参数以及字典进行初始化设置；第二步：计算输入数据与当前字典的距离dis；第三步：将第二步中得到的距离与预先设置的阈值进行比较，判断是否将此刻的输入数据存入字典中；第四步：如果存入字典，则按照未稀疏化处理的多核自适应滤波算法对滤波器的权重系数进行更新；第五步：如果不存入字典，则将该输入量化至字典中距离其最近的节点，并更新滤波器的权重系数；第六步：重复2～5步至训练结束，返回最终得到的核自适应滤波器模型。本发明在在线稀疏网络结构，降低模型计算量方面有着明显的效果，能够有效降低模型的训练时间。

技术领域

本发明涉及核自适应滤波领域，具体涉及一种基于多核量化的非线性滤波方法。

背景技术

自适应滤波器可以根据所处环境中的统计变异自动地调整自由参数。其动作原理是通过估计输入信号的统计特性，调整其本身的响应，使得某一代价函数达到最小值，通常可用图1所示的辅助信号源来确定。辅助信号输入d(n)可以定义为滤波器的期望输出，在这种情形下，自适应算法的任务是调整滤波器的权值系数，使得滤波器的输出y(n)与期望输出d(n)之间的差值e(n)达到最小。由于线性系统计算能力的局限性，现实世界复杂的应用中通常采用非线性关系进行描述。核方法是将线性系统扩展到非线性应用领域的有力工具，由于其具备优良的性能而被越来越多地应用于非线性自适应滤波器的设计上。

现有的核自适应滤波算法大多追求预测的精度，而忽略了模型的计算量与计算时间，当训练数据数量很大时，现有的基于互相关熵的核自适应滤波算法将面临大量的计算。陈霸东等人在文献《Mixture Correntropy for Robust Learning》中提出了基于最大混合熵准则的自适应滤波(KRMMCC)算法，其目标函数中包含两个核函数，可以通过调整两个核函数的参数提高滤波器的学习性能。这种方法增加了模型中核参数的数量，提高了模型的可调性，但该种算法的计算复杂度较高，模型训练耗时较长。石嘉豪等人在《基于最大互相关熵的核自适应滤波算法研究》中提出了将量化方法应用于单核自适应滤波器的算法QKRMC，该种算法虽然能够有效简化滤波器的结构，但由于单核模型本身精度的局限性，使得仿真所得的稳态误差变得较大。

发明内容

针对现有技术中的上述不足，本发明提供一种基于量化方法的多核自适应滤波方法，采用基于混合熵的多核自适应滤波算法作为基本的算法。该方法根据量化规则，判断训练数据是否要被量化到最近的节点，从而稀疏最终的网络规模，有效抑制径向基函数结构的增长。由于将量化规则应用于多核模型，本发明的算法计算精度相较于单核自适应滤波算法更高，且具备更加简洁的网络结构以及更快的计算速度。

为了实现上述目的，本发明采用了如下的技术方案：

一种基于多核量化的非线性滤波方法，步骤如下：

第一步：对于滤波器参数以及字典进行初始化设置。

第二步：计算输入数据与当前字典的距离dis。

第三步：将第二步中得到的距离与预先设置的阈值进行比较，判断是否将此刻的输入数据存入字典中。

第四步：如果存入字典，则按照未稀疏化处理的多核自适应滤波算法对滤波器的权重系数进行更新。

第五步：如果不存入字典，则将该输入量化至字典中距离其最近的节点，并更新滤波器的权重系数。

第六步：重复2～5步至训练结束，返回最终得到的核自适应滤波器模型。

其中，第四步如果输入数据存入字典，采用未稀疏化处理的多核自适应滤波算法的权重系数更新过程如下：