【技术实现步骤摘要】
基于DRVB-ASCKF的SVR参数优化方法
本专利技术属于非线性系统的模式识别领域,特别涉及一种基于双重递归变分贝叶斯 的自适应平方容积卡尔曼滤波(DRVB-ASCKF)方法。
技术介绍
支持向量回归(SVR)是一类基于统计学理论和结构风险最小原则的机器学习算 法,可用于解决针对小样本、非线性和高维参数的预测问题,因此它具有较好的泛化功能。 由于SVR的性能在很大程度上取决于系统参数的选择,因此提高SVR模型性能的关键就在 于相关参数的优化。 解决上述不确定参数优化问题的传统方法是利用自适应滤波方法,其中模型参数 或噪声统计特性可以与动态状态一同估计获得。变分贝叶斯(VB)可用于实现状态和未知 观测噪声方差的同步估计。目前一种高精度的变分贝叶斯自适应卡尔曼滤波算法即通过VB 方法来近似状态和观测噪声的联合后验分布,可通过因式分解自由分布形式来获得状态和 观测噪声协方差的次优同步估计,但是它只能应用于线性系统。随后,变分贝叶斯自适应无 味卡尔曼滤波(VB-UKF)的引入解决了带有未知观测噪声协方差的非线性估计问题。而后, 研究发现平方容积卡尔曼滤波(SCKF)较之于(UKF)具有较高的估计性能。因此,通过变分 贝叶斯自适应平方容积卡尔曼滤波(VB-ASCKF)来估计SVR参数可以获得更高的滤波精度 和较强的鲁棒性。上述方法缺乏全局优化特性且优化效率较低,并且在实际系统中,噪声统 计特性往往未知,由于过程噪声和测量噪声间存在着某种函数关系,因此我们对VB-ASCKF 进行了改进。
技术实现思路
针对上述问题,本专利技 ...
【技术保护点】
基于DRVB‑ASCKF的SVR参数优化方法,其特征在于该方法包括以下步骤:步骤1.系统建模:将支持向量回归的系统选择问题转换为非线性系统状态估计问题,并建立非线性状态空间模型如下:xk=xk-1+vk-1yk=h(xk)+wk]]>式中,k为时间参数,超参数xk∈Rm是状态向量;yk∈Rm是非线性观测向量,其中初始状态具有一个高斯先验分布y0~N(m0,P0),假设已知初始状态先验分布的参数m0和P0;非线性函数h(·)是观测函数;vk~N(0,Qk)是具有协方差矩阵的高斯过程噪声;wk~N(0,Σk),Qk是具有对角协方差Σk的观测噪声;步骤2.变分贝叶斯自适应平方容积卡尔曼滤波(2.1)时间更新:1)估计容积点Xik‑1|k‑1和传播后的容积点Xi,k-1|k-1=Sk-1|k-1ζi+x^k-1|k-1Xi,k|k-1*=Xi,k-1|k-1]]>式中,为k‑1时刻的状态估计;Sk‑1|k‑1能在第k‑1个状态估计期间在线得出;ζl=m2[l]i,i=1,2,···,m(m=2n),]]>令n=2且 ...
【技术特征摘要】
1.基于DRVB-ASCKF的SVR参数优化方法,其特征在于该方法包括以下步骤: 步骤1.系统建模: 将支持向量回归的系统选择问题转换为非线性系统状态估计问题,并建立非线性状态 空间模型如下:式中,k为时间参数,超参数XkeΓ是状态向量;ykeΓ是非线性观测向量,其中初 始状态具有一个高斯先验分布yc)?NO%Ptl),假设已知初始状态先验分布的参数Hitl和Ptl ; 非线性函数h( ·)是观测函数;Vk?N(0,Qk)是具有协方差矩阵的高斯过程噪声;Wk? N(0,Σ,),Qk是具有对角协方差Σ,的观测噪声; 步骤2.变分贝叶斯自适应平方容积卡尔曼滤波 (2. 1)时间更新: 1) 估计容积点Xilrtllrt和传播后的容积点乂u(/ = 1,2,···,/η):式中,为k-Ι时刻的状态估计;Slrtllrt能在第k-Ι个状态估计期间在线得出;2) 估计一步状态预测·%^^及其协方差的平方根因子 Sk-ilk-i:式中*是含4的平方根;Tria( ·)是Cholesky分解; 3) 估计对角协方差Σ,的预测参数 α k,iIk-I和P k,iIk-I ; (2· 2)观测更新: 1) 估计观测预测值Am:式中,Yullrt是传播后的容积点; 2) ...
【专利技术属性】
技术研发人员:王海伦,吕梅蕾,张露,刘爽,
申请(专利权)人:衢州学院,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。