- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
矢量基学习算法及在辨识建模中的应用研究.pdf
第9 卷 第6 期 电路与系统学报 Vol.9 No.6
2004 年 12 月 JOURNAL OF CIRCUITS AND SYSTEMS December 2004
文章编号 1007-0249 (200 4) 06-0122-05
矢量基学习算法及在辨识建模中的应用研究*
解应春 王海清 李平
浙江大学 工业控制技术国家重点实验室 工业控制技术研究所 浙江 杭州 310027
摘要 递推最小二乘 RLS 存在模型阶次及参数要预先设定 逼近能力有限 收敛较慢等诸多缺陷 本文提出
了矢量基学习 Vector Base Learning VBL 算法 基于核 Kernel 变换的思想 利用正则化技术建立了优化目标
函数 避免出现过拟合 并提出了基矢量 基矢量集和解空间的概念 通过分析样本矢量和解空间的夹角 推导了
基矢量的判断准则 继而获得了VBL 辨识参数的增长和校正模式的递推公式 最后对算法仿真分析表明 VBL 算法比
RLS 具有更好的收敛性和辨识效果
关键词 递推最小二乘 核函数 正则化 辨识
中图分类号 TP274 文献标识码 A
1 引言
递推最小二乘 RLS 算法由于算法简单 运算量少的优点 在实际的模型辨识中得到广泛应用
但 RLS 需要选择模型的阶次 而且逼近能力有限 收敛较慢 初期的参数要预先设定等 为了克服
RLS 存在的不足 本文提出了一种新的递推算法 矢量基学习 Vector Base Learning VBL 算法
在核 Kernel 变换的基础上 考虑到算法的推广能力 引入正则化的思想 建立了 VBL 的优化目
标函数 同时提出了基矢量 Base Vector BV 基矢量集 Base Vector Set BVS 和解空间的概
念 并且在高维映射空间通过分析样本矢量与解空间的夹角 推导了 BV 的判断准则 从而可以从第
2 个样本开始 随着样本的陆续到来直接进行参数辨识 并且自动建立 BVS 确定参数的阶次 继而
分别获得了VBL 算法辨识参数的自动增长和校正算法的递推公式 最后 对所提出的VBL 算法进行
了仿真分析 表明该算法避免了RLS 算法的缺陷 并且具有更好的收敛性和辨识效果
2 Kernel 变换思想
对于某些 低维的 非线性问题 直接在低维空间求解往往得不到满意的结果 若先向高维非线
性空间做投影 以使样本分散性更好 然后再进行求解反而可以求得更准确的解 然而在高维空间的
运算量可能会非常大 而Kernel 变换正好提供了解决这一困难的方案 设将N 维空间X 中的变量x i
将x 投影到 M MN 维的空间 F 即映射F: X F 则x F(x ) 在高维 F 空间就可以进行
i i i
各种运算 Kernel 变换定义为高维空间F 中的一类点积运算
k (x ,x ) (Ö(x ) Ö(x )) 1
i j i j
[1]
其中算子k ( , ) 就是Kernel 函数 其具体形式不是任意的 必须满足 Merser 定理 例如 多
文档评论(0)