[发明专利]基于预训练随机傅里叶特征核LMS的超参数优化方法

摘要

基于预训练随机傅里叶特征核LMS的超参数优化方法，它用于核自适应滤波器的超参数优化技术领域。本发明解决了为保证算法的精度性能以及降低算法计算复杂度，如何获取一组超参数值的问题。本发明在预训练集合的基础上，实现各维度下的随机傅里叶特征的性能评价，在最小均方误差准则下能够通过预训练得到的最小均方误差值确定最优维度下的一组傅里叶特征超参数取值集合，本发明的方法减少了达到精度条件所需的随机傅里叶特征的维度从而降低了复杂度，且在自适应滤波系统中提高被建模系统与随机傅里叶特征网络的耦合度，克服了超参数取值由于随机采样差异性带来的稳态性能不稳定的问题。本发明可以应用于核自适应滤波器的超参数优化技术领域用。

主权项

1.基于预训练随机傅里叶特征核LMS的超参数优化方法，其特征在于，该方法包括以下步骤：步骤一、给定一组训练集x(i)代表第i组输入信号，d(i)代表第i组期望信号，M代表训练集样本量；从训练集中随机抽取P个样本，得到预训练集步骤二、确定核参数σ的取值，并预先设定m个维度参数的取值为[D1,D2,…,Dj,…,Dm]，其中：D1，D2，Dj和Dm分别代表第1个维度参数的取值，第2个维度参数的取值，第j个维度参数的取值和第m个维度参数的取值；步骤三、对于步骤二的每一个维度均生成N组独立同分布的超参数w集合，超参数w集合满足高斯分布N(0,σ2I)，其中：I是指与输入信号x(i)同维度的单位向量；步骤四、建立预训练随机傅里叶特征核LMS算法，利用步骤一确定的预训练集对建立的算法进行预训练，得到第j个维度下的任一组超参数w集合的稳态均方误差值；步骤五、对于第j个维度下的其他N‑1组超参数w集合均重复步骤四的过程，得到第j个维度下的其他N‑1组超参数w集合的稳态均方误差值，通过比较得到第j个维度下的最小的稳态均方误差值；步骤六、重复步骤四和步骤五的过程，分别得到其余m‑1个维度下的最小的稳态均方误差，将不同维度下的最小的稳态均方误差进行比较，并将最小的稳态均方误差中的最小值对应的超参数w集合的值作为超参数的值。