【技术实现步骤摘要】
本专利技术涉及非线性系统的参数辨识，具体而言，涉及一种基于量化广义最小误差熵的非线性系统参数辨识方法。
技术介绍
1、非线性系统参数辨识在各领域中具有重要作用。许多实际系统都呈现出复杂的非线性行为，传统线性方法难以适用。通过准确估计非线性系统参数，我们能深入了解系统内部机制，为科学研究和工程优化提供指导。核自适应滤波等先进技术在此发挥关键作用，帮助我们更精准地描述系统特性，从医学到环保、金融和控制系统设计，都有重要应用。这种辨识不仅拓展了认知，也推动了技术创新和社会进步。
2、核仿射投影算法、核最小均方(klms)、核递归最小二乘(krls)、扩展核递归最小二乘等都是典型的核自适应滤波(kaf)算法示例。通过为每个新样本分配一个新的核单元，并以输入作为中心，基于径向核函数的kaf创建了一个线性增加的径向基函数网络。每个样本处的误差与每个中心对应的系数相关联。krls算法因其在存在高斯噪声的非线性系统中表现优秀而闻名。然而，非高斯噪声经常干扰多个实际应用，包括水下通信，参数识别和声学回声消除。非高斯噪声的存在使得基于均方误差(...
【技术保护点】
1.一种基于量化广义最小误差熵的非线性系统参数辨识方法，所述非线性系统的描述对象包括气象领域的预测，其特征在于，参数辨识方法包括以下步骤：
2.基于权利要求1所述的一种基于量化广义最小误差熵的非线性系统参数辨识方法，其特征在于，所述成本函数关于所述权重向量的梯度的表达式为：
3.基于权利要求1所述的一种基于量化广义最小误差熵的非线性系统参数辨识方法，其特征在于，将所述成本函数关于所述权重向量的梯度的表达式为：
4.基于权利要求2或3所述的一种基于量化广义最小误差熵的非线性系统参数辨识方法，其特征在于，所述权重向量的解为：
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。