一种基于支持向量机建模的新型自适应滤波器.pdfVIP

维普资讯 大 庆 石 油 学 院 学 报 第 29卷 第4期 2005年 8月 JOURNAlOFDAQINGPETROLEUM INSTITUTE Vo1．29 NO．4 一 种基于支持 向量机建模的新型 自适应滤波器 刘 斌 ，李 卓。，刘铁男 ，喻胜 阳。，任珍珍 (1．大庆石油学 院 电气信 息工程学 院，黑龙江 大庆 163318； 2．大庆石 油学 院 地 球 科学 学院 ，黑龙江 大庆 163318； 3．吉林石油集团公 司 人事部 ，吉林 松原 138000； 4．大庆石油学院 外语系 ，黑龙江 大庆 163318) 摘 要：在WidrowB等人的 自适应逆控制理 论的基础上，提出 了一种 基于支持 向量机 的 自适应滤波 器．介绍 了支 持向量机的基本理论 ，结合支持向量机算法给出了该滤波器的原理图，讨论 了滤波器 的工作过程．计算机仿真实例表明， 时变噪声的污染 已被完全消除 ，新型 自适 应滤波器效果明显． ． 关 键 词 ：统计学习理论 ；支持 向量机 ；自适 应滤波器 中图分类号 ：TP181 文献标识码 ：A 文章编号：1000—1891(2005)04—0064—03 基于支持 向量机 (SupportVectorMachine，简称 SVM)的 自适应滤波器是在 WidrOWB等人Ⅲ研究 的基础上发展起来的新型滤波器．利用支持 向量机 在小样本的条件下具有 良好的非线性建模能力 ，将 其应用到 自适应滤波器中，可以保证在先验知识不足的情况下 ，整个 自适应滤波器具有较好的去噪性能． 1 SVM 的简介 SVM 是一种建立在统计学习理论基础上的机器学习方法．SVM 的基本思想是通过非线性变换将输 入空问变换到一个高维特征空间，在这个特征空间中求取最优分类超平面，使得在原输入空间不可分 的数 据变得线性可分．SVM 最大的特点是根据结构风险最小化原则 ，尽量提高学习机的泛化能力 ，即由有限 的训练集样本得到小的误差仍然能够保证对独立的测试集保持小的误差．另外 ，支持向量机算法是一个 凸优化问题 ，所以局部最优解一定是全局最优解 ，这是其他学习算法所不及的． 支持向量回归机l3中的损失函数常采用e一不敏感损失函数．其含义是 ：当 点的观察值 与预测值 ，()之差不超过事先给定的e时，则认为在该点的预测值 ，()是无损失的，尽管预测值 -厂()和观测值 Y 可能并不完全相等．采用 目前最常用的序列最小最优化 (SequentialMinimalOptimization，简称 SMO)算 法 来解决与之相对应的对偶优化问题 ： ． 1 l l min ∑(a一a)(a，一 )K(，)+∑CIi(￡一 )+∑a(￡+ )， (1) i 1 l一 1 i一 1 ， f：(a一a )一0 s．t． ， (2) Ia，a ∈ [O，C] 式(1，2)中：z为样本个数 为 Lagrange乘子的分量 ；K( ， )为核函数； 为输入向量 ； 为输 出值；C 为惩罚参数． 2 自适应滤波器 基于SVM 的自适应滤波器主要由对象模型和噪声模型2部分组成，见图 1． 收稿