核自適應(yīng)濾波

第1章 背景與展望
1.1 監(jiān)督、序貫和主動(dòng)學(xué)習(xí)
1.2 線(xiàn)性自適應(yīng)濾波器
1.2.1 最小均方算法
1.2.2 遞歸最小二乘算法
1.2.3 擴(kuò)展遞歸最小二乘算法
1.3 非線(xiàn)性自適應(yīng)濾波器
1.4 再生核希爾伯特空間
1.5 核自適應(yīng)濾波器
1.6 總結(jié)
注釋
第2章 核最小均方算法
2.1 最小均方算法
2.1.1 LMS算法的收斂性
2.1.2 LMS算法的失調(diào)
2.1.3 學(xué)習(xí)曲線(xiàn)
2.2 核最小均方算法
2.3 核及參數(shù)選擇
2.4 步進(jìn)參數(shù)
2.5 新奇準(zhǔn)則
2.6 KLMS算法的自正則化特性
2.6.1 解范式約束
2.6.2 奇異值分析
2.6.3 單位下三角線(xiàn)性系統(tǒng)
2.7 泄漏核最小均方算法
2.8 標(biāo)準(zhǔn)核最小均方算法
2.9 核ADALINE算法
2.10 資源配置網(wǎng)絡(luò)
2.11 計(jì)算機(jī)實(shí)驗(yàn)
2.11.1 KLMS算法應(yīng)用于Mackey.Glass時(shí)間序列預(yù)測(cè)
2.11.2 KLMS應(yīng)用于非線(xiàn)性信道均衡
2.12 結(jié)論
注釋
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(簡(jiǎn)單KAPA)
3.2.2 KAPA.2(標(biāo)準(zhǔn)化KAPA)
3.2.3 KAPA.3(泄漏KAPA)
3.2.4 KAPA4(基于牛頓遞歸的泄漏KAPA)
3.3 誤差重用
3.4 滑動(dòng)窗口Gram矩陣逆
3.5 相關(guān)算法之間的關(guān)系
3.5.1 KLMS算法
3.5.2 NORMA算法
3.5.3 核ADALINE算法
3.5.4 滑動(dòng)窗核遞歸最小二乘算法
3.5.5 正則化網(wǎng)絡(luò)
3.6 計(jì)算機(jī)實(shí)驗(yàn)
3.6.1 KAPA應(yīng)用于MG時(shí)間序列預(yù)測(cè)
3.6.2 KAPA應(yīng)用于消除噪聲
3.6.3 KAPA應(yīng)用于非線(xiàn)性信道均衡
3.7 結(jié)論
注釋
第4章 核遞歸最小二乘算法
4.1 遞歸最小二乘算法
4.1.1 正則化和初始化
4.2 指數(shù)加權(quán)遞歸最小二乘算法
4.3 核遞歸最小二乘算法
4.4 近似線(xiàn)性相關(guān)
4.5 指數(shù)加權(quán)核遞歸最小二乘算法
4.6 高斯過(guò)程線(xiàn)性回歸
4.7 高斯過(guò)程非線(xiàn)性回歸
4.8 貝葉斯模型選擇
4.9 計(jì)算機(jī)實(shí)驗(yàn)
4.9.1 KRLS應(yīng)用于Mackey—Glass時(shí)間序列預(yù)測(cè)
4.9.2 最大邊際似然進(jìn)行模型選擇
4.10 結(jié)論
注釋
第5章 擴(kuò)展核遞歸最小二乘算法
5.1 擴(kuò)展遞歸最小二乘算法
5.2 指數(shù)加權(quán)擴(kuò)展遞歸最小二乘算法
5.3 擴(kuò)展核遞歸最小二乘算法
5.4 擴(kuò)展核遞歸最小二乘算法用于跟蹤模型
5.5 有限秩假設(shè)的擴(kuò)展核遞歸最小二乘算法
5.6 計(jì)算機(jī)實(shí)驗(yàn)
5.6.1 EXKRLS應(yīng)用于瑞利信道跟蹤
5.6.2 EXKRLS在洛倫茲時(shí)間序列預(yù)測(cè)中的應(yīng)用
5.7 結(jié)論
注釋
第6章 稀疏核自適應(yīng)濾波器設(shè)計(jì)
6.1 驚奇測(cè)度SC定義
6.2 高斯過(guò)程回歸復(fù)習(xí)
6.3 計(jì)算驚奇測(cè)度SC
6.3.1 輸入分布
6.3.2 未知的期望信號(hào)
6.3.3 新奇概率
6.4 使用驚奇準(zhǔn)則的核遞歸最小二乘算法
6.5 使用驚奇準(zhǔn)則的核最小均方算法
6.6 使用驚奇準(zhǔn)則的核仿射投影算法
6.7 計(jì)算機(jī)實(shí)驗(yàn)
6.7.1 驚奇準(zhǔn)則應(yīng)用于非線(xiàn)性回歸
6.7.2 驚奇準(zhǔn)則應(yīng)用于MG時(shí)間序列預(yù)測(cè)
6.7.3 sc準(zhǔn)則應(yīng)用于C0，濃度預(yù)測(cè)
6.8 結(jié)論
注釋
附錄A 數(shù)學(xué)背景
A.1 奇異值分解
A.1.1 偽逆
A.1.2 最小范數(shù)解
A.2 正定矩陣
A.3 特征值分解
A.4 Schur補(bǔ)
A.5 塊矩陣求逆
A.6 矩陣求逆引理
A.7 聯(lián)合概率、邊緣概率和條件概率
A.8 正態(tài)分布
A.9 梯度下降法
A.10 牛頓法
附錄B 近似線(xiàn)性相關(guān)與系統(tǒng)穩(wěn)定性
參考文獻(xiàn)
后記