跳变马尔可夫系统的最大混合相关熵状态估计

依托于多模型框架的跳变马尔可夫系统状态估计的性能通常受限于多模型间的信息融合程度.本文以交互式多模型方法为框架,针对跳变马尔可夫系统提出了一种基于最大混合相关熵的状态估计方法.为了能有效处理模型高阶信息,在混合和融合步骤引入最大混合相关熵测度替代常规的二阶统计矩准则,设计了关于系统状态的代价函数,通过最优化该函数得到状态估计的迭代解.仿真实验详尽展示了所提方法的主要特征,并表明其在高斯和非高斯噪声环境下都具有较好的估计效果.

基于最大混合相关熵准则的主动噪声控制算法

为了处理脉冲噪声,传统的滤波x最大相关熵准则(filtered-x maximum correntropy criterion,FxMCC)自适应算法具有良好的降噪性能在主动噪声控制(active noise control,ANC)系统中。然而,FxMCC算法具有单一的高斯核,其降噪性能和收敛速度易受到核宽度取值的影响。因此,在ANC系统中,本文采用最大混合相关熵准则(maximum mixture correntropy criterion,MMCC),以两个高斯核的混合作为代价函数来推导滤波x最大混合相关熵准则(filtered-x maximum mixture correntropy criterion,FxMMCC)算法。仿真结果表明,在标准对称α稳定(symmetricα-stable,SαS)分布的脉冲噪声的主动噪声控制中,本文提出的FxMMCC算法比其他ANC算法具有更好的降噪性能。

异构混合相关熵有源噪声控制算法

近几年兴起的基于最大相关熵准则的FxMCC算法在有源噪声控制系统中取得了良好的降噪性能。然而,已有的FxMCC算法仅使用了单一的高斯核,算法在强脉冲噪声环境下降噪能力严重退化,且算法对核宽参数极敏感,不合适的核宽会降低算法降噪性能。为了弥补FxMCC算法的不足,该文引入异构混合相关熵,使用由高斯核和拉普拉斯核组成的混合核作为代价函数,推导了基于异构混合相关熵的FxMCC-MK算法。该文进一步分析了所提算法的收敛条件和稳定性,并与已有的算法进行了计算复杂度比较。仿真结果表明,在标准对称稳定分布脉冲噪声和真实噪声录声的有源噪声控制中,相比于已有的相关熵算法,该文提出的FxMCC-MK算法具有更低的核宽参数敏感度,更强的鲁棒性和更快追踪能力。

基于混合熵的分数阶归一化子带自适应滤波算法

为了改善非高斯噪声环境下归一化子带自适应滤波算法的滤波性能,引入了最大混合相关熵准则和分数阶微分的概念。一方面,利用最大混合相关熵准则的鲁棒性,有效地减小了异常噪声对算法性能的影响;另一方面,在权重更新的过程中,通过引入分数阶微分部分,并以加权的形式考虑数据整体信息,更准确地描述了实际系统,从而提高了算法的滤波性能,可将这一改进后的算法应用于非高斯冲击噪声和有色噪声环境下的系统辨识和非线性信道均衡。通过仿真实验结果可以看出,与已有的鲁棒算法相比,所提算法具有更强的鲁棒性和更高的系统跟踪和估计能力。

多通道主动噪声控制的自适应滤波算法

为改善自适应主动噪声控制算法在处理非高斯噪声时的性能表现,提出一种优化的自适应滤波算法,能够在多通道噪声控制中获得鲁棒性的变步长动量滤波-x最大混合相关熵。该算法以最传统的滤波-x最小均方算法为基础,利用混合相关熵对非高斯噪声的冲击产生抵消作用,克服传统算法平均噪声衰减量高及稳定性差的问题。仿真结果表明,该算法与其它算法相比具有更快的收敛速度和更好的降噪效果,在高脉冲噪声输入中也表现出最佳的降噪性能。

融合块对角约束的鲁棒低秩多核聚类

针对现有的多核学习(multiple kernel learning,MKL)子空间聚类方法忽略噪声和特征空间中数据的低秩结构问题,提出一种新的鲁棒多核子空间聚类方法(low-rank robust multiple kernel clustering,LRMKC),该方法结合块对角表示(block diagonal representation,BDR)与低秩共识核(low-rank consensus kernel,LRCK)学习,可以更好地挖掘数据的潜在结构.为了学习最优共识核,设计一种基于混合相关熵度量(mixture correntropy induced metric,MCIM)的自动加权策略,其不仅为每个核设置最优权重,而且通过抑制噪声提高模型的鲁棒性;为了探索特征空间数据的低秩结构,提出一种非凸低秩共识核学习方法;考虑到亲和度矩阵的块对角性质,对系数矩阵应用块对角约束.LRMKC将MKL、LRCK与BDR巧妙融合,以迭代提高各种方法的效率,最终形成一个处理非线性结构数据的全局优化方法.与最先进的MKL子空间聚类方法相比,通过在图像和文本数据集上的大量实验验证了LRMKC的优越性.