混沌时间序列的核自适应滤波预测算法

在实际环境中,混沌时间序列常包含大量的噪声和异常值。由于这些干扰因素,基于二阶相似性度量的核自适应滤波器在混沌时间序列预测中的预测性能显著下降。基于上述问题,提出了一种鲁棒混沌时间序列的核自适应滤波预测算法。所提算法基于广义对数核损失函数的非线性相似性度量,有效地提高了核自适应滤波器在脉冲噪声环境中的鲁棒性,与此同时,该算法采用自适应K-Means采样的稀疏Nyström非线性映射方法,预先固定了算法的网络尺寸,从而降低核自适应滤波算法的计算复杂度。在所提算法中,使用递归更新方式,使算法具备较快的收敛速度。最后对滤波算法进行Mackey-Glass混沌时间序列的预测仿真。仿真结果表明:作为一种新的鲁棒KMeans采样的Nyström递归最小广义对数核损失预测方法,与稀疏化核自适应滤波算法相比,该算法在脉冲噪声中具备更好的鲁棒性;与其他典型鲁棒核自适应滤波预测算法相比,该算法具备更快的收敛速度和更高的滤波精度。