基于结构风险最小化原则的奇异值分解降噪研究.pdf

第18卷第2期 振 动 工 程 学 报 V01．18No．2 2005年6月 ofVibration Jun．2005 Journal Engineering 基于结构风险最小化原则的奇异值分解降噪研究 朱启兵，刘 杰，李允公，闻邦椿 (东北大学机械工程与自动化学院，辽宁沈阳110004) 摘要：针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题，提出了利用结构风险最小化原则来确定矩阵的 有效秩阶次的新方法。该方法依据统计学习理论．把有效秩阶次的选择看作是一个学习过程，利用结构风险最小化 原则来代替传统的经验风险最小化，从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明，该方法不但具有较 好的降噪精度和算法稳定性，而且降低了消噪模型算法的复杂度。 关键词：奇异值分解；降噪；统计学习理论；结构风险最小化 中图分类号：THl65文献标识码：A 文章编号：1004—4523(2005)02—0204—04 实际的测试信号往往含有大量的噪声，这些噪 式中 声会影响到信号分析的精度。对测试信号进行降噪 …，九)，且有A。≥A。≥…九0。A．，A。，…，九称为矩阵 处理是信号处理中的一个重要步骤。利用奇异值分 D。的奇异值，它包含了有关矩阵n的秩的特性的 value decomposition，SVD)进行信号消 解(singular 有用信息。如果信号中没有噪声或信噪比特别高，则 噪是一种有效的降噪处理方法[1]。该方法的关键是 如何决定分解后的对角阵的有效秩阶次。现在通常 的大小和系统有关。如果有噪声或信噪比不高，则矩 的方法是采用试凑法或阈值法，这两种方法都依赖 于使用者的经验，有效秩阶次的选择缺乏依据。统计 学习理论是机器学习领域的最新进展。该理论的核 逼近定理可知：如保留系统前k个奇异值，再利用奇 心思想是通过控制学习机器的复杂度，实现对推广 异值分解的逆过程得到矩阵D。，那么矩阵D。是D。 能力的控制[2]。为此，本文在统计学习理论的基础 的秩为k的最佳逼近矩阵。D。相对于统，其噪声已 上，提出了一种决定矩阵见有效秩的新方法。 被大大压缩。将D。中对应的元素相加平均，就可以 得到降噪后的信号y{i)7。 1奇异值分解降噪理论 对于上述方法来说，关键的问题是如何选择和 确定D。的有效秩k。 假设从一个系统测得含有噪声的信号为y(i)， 待1，…，N。用该信号可以构造一个mX卵维的矩阵2 统计学习理论及结构风险最小化 D。 y(1) y(2) y(n) 统计学习理论是一种专门研究小样本情况下机 y(2) y(3) Y(咒+1) 器学习规律的理论，其核心概念是VC维。VC维的 D。一 ● ● ： ： 直观定义是：对一个指示函数集，如果存在h个样 y(m)y(m+1)Y(研-I-，2) 本，能被函数集中的函数按所有可能26种形式分 矩阵风表证了重构吸引子在重构相空间的演 开，则称函数集能够被h个样本打散；函数集的VC 化特性，可表示成D。一D+W，其中D为不受噪声干维就是它能打散的最大样本数目h。VC维反映了函 扰的信号构成的m×，z矩阵；W为噪声信号构成的 数集的学习能力，VC维越大则学习机器越复杂H]。 mXn矩阵。则存在一个m×，维矩阵u和z×，z维的 一般