基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

基于AP的Volterra级数自适应多重回归及其多步预测应用

为解决时间序列多步预测的高效率、高精度问题,提出一种基于Volterra级数的多重回归仿射投影自适应算法。应用虚假最临近点法算法选择最优嵌入维数,优化模型初始参数。以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式,再利用矩阵求逆引 理递推求取各阶Volterra子系统自相关逆矩阵导出算法,从而实现了对多输入多输出数据样本的建模,采用该模型对Henon映射产生的时间序列进行多步预测实验,结果表明可以对该时间序列进行准确建模和预测,证明了所提模型的有效性。     

RBF-Volterra级数非线性系统建模

提出一种RBF-Volterra级数非线性系统建模方法。利用基函数多项式（BFP）完备的非线性系统逼近能力,在基函数族单一尺度和平移联动约束下,导出RBF-Volterra级数模型;RBF-Volterra级数具有＂截尾不截维＂特性,对非线性强弱变化适应能力强,且结构紧凑,数值稳定性好,能效避免维数灾难问题。实例仿真说明了该方法的有效性。     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

基于均匀试验设计的支持向量回归参数选择方法

支持向量机通过引入核函数将低维空间的非线性问题转化为高维空间的线性问题,克服了维数灾难,并展现了极好的学习能力.但是在支持向量回归分析中,核函数的选取和模型参数的选择目前都没有十分有效的方法.针对高斯核函数的情况,首先通过理论分析和数值仿真,给出了模型参数的选取范围,然后结合均匀试验设计和偏最小二乘回归,提出了一种快速有效的模型参数选择方法.理论分析和实例计算表明该方法选取的模型参数确实能够得到泛化能力较好的回归模型.     

一种新的基于核函数的非线性系统辨识方法

提出了一种新的基于核函数的非线性系统辨识方法。该方法无须知道系统输入输出先验信息,首先对系统输入输出数据进行密度估计及聚类,自适应获取该数据隐含的类别数目及对应的核参数,得到系统的结构。进而利用这些核,将系统原始低维输入输出数据映射到高维空间获取新的输入输出数据,然后通过递归最小二乘方法获取系统的参数。仿真结果表明了该方法的有效性和自适应性。     

尺度核支持向量回归的非线性系统辨识

提出一种新的尺度核支持向量回归方法,并应用于非线性系统辨识问题。通过线性规划技术和采用尺度函数作为核函数来实现支持向量回归模型。该支持向量回归的核函数不必满足Mercer条件,为实际应用更广泛地选择尺度核提供更大的灵活性。仿真实验结果表明该尺度核支持向量回归方法可以成为非线性系统辨识的有力工具。     

基于核函数的混沌序列局域线性预测方法

针对局域线性预测方法本质上是用较简单的非线性函数来预测高度非线性的混沌时间序列的不足,提出了一种基于核函数的局域线性自适应预测算法。该算法利用包含了相空间中邻近点之间的相对距离信息的核函数,将相空间中的邻近点投影到更高维的非线性核空间,在高维(甚至无穷维)的核空间用线性自适应算法预测混沌时间序列,相当于在原混沌相空间用高度非线性的函数预测高度非线性的混沌时间序列,可获得更好的预测结果。给出了应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。