[發(fā)明專利]基于DRVB-ASCKF的SVR參數(shù)優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410757612.5
• 申請(qǐng)日: 2014-12-11
• 公開（公告）號(hào): CN104463214A
• 公開（公告）日: 2015-03-25
• 發(fā)明（設(shè)計(jì)）人: 王海倫;呂梅蕾;張露;劉爽
• 申請(qǐng)（專利權(quán)）人: 衢州學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 杜軍

技術(shù)領(lǐng)域

本發(fā)明屬于非線性系統(tǒng)的模式識(shí)別領(lǐng)域，特別涉及一種基于雙重遞歸變分貝葉斯的自適應(yīng)平方容積卡爾曼濾波(DRVB-ASCKF)方法。?

背景技術(shù)

支持向量回歸(SVR)是一類基于統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原則的機(jī)器學(xué)習(xí)算法，可用于解決針對(duì)小樣本、非線性和高維參數(shù)的預(yù)測(cè)問(wèn)題，因此它具有較好的泛化功能。由于SVR的性能在很大程度上取決于系統(tǒng)參數(shù)的選擇，因此提高SVR模型性能的關(guān)鍵就在于相關(guān)參數(shù)的優(yōu)化。?

解決上述不確定參數(shù)優(yōu)化問(wèn)題的傳統(tǒng)方法是利用自適應(yīng)濾波方法，其中模型參數(shù)或噪聲統(tǒng)計(jì)特性可以與動(dòng)態(tài)狀態(tài)一同估計(jì)獲得。變分貝葉斯(VB)可用于實(shí)現(xiàn)狀態(tài)和未知觀測(cè)噪聲方差的同步估計(jì)。目前一種高精度的變分貝葉斯自適應(yīng)卡爾曼濾波算法即通過(guò)VB方法來(lái)近似狀態(tài)和觀測(cè)噪聲的聯(lián)合后驗(yàn)分布，可通過(guò)因式分解自由分布形式來(lái)獲得狀態(tài)和觀測(cè)噪聲協(xié)方差的次優(yōu)同步估計(jì)，但是它只能應(yīng)用于線性系統(tǒng)。隨后，變分貝葉斯自適應(yīng)無(wú)味卡爾曼濾波(VB-UKF)的引入解決了帶有未知觀測(cè)噪聲協(xié)方差的非線性估計(jì)問(wèn)題。而后，研究發(fā)現(xiàn)平方容積卡爾曼濾波(SCKF)較之于(UKF)具有較高的估計(jì)性能。因此，通過(guò)變分貝葉斯自適應(yīng)平方容積卡爾曼濾波(VB-ASCKF)來(lái)估計(jì)SVR參數(shù)可以獲得更高的濾波精度和較強(qiáng)的魯棒性。上述方法缺乏全局優(yōu)化特性且優(yōu)化效率較低，并且在實(shí)際系統(tǒng)中，噪聲統(tǒng)計(jì)特性往往未知，由于過(guò)程噪聲和測(cè)量噪聲間存在著某種函數(shù)關(guān)系，因此我們對(duì)VB-ASCKF進(jìn)行了改進(jìn)。?

發(fā)明內(nèi)容

針對(duì)上述問(wèn)題，本發(fā)明提出了雙重遞歸變分貝葉斯自適應(yīng)卡爾曼濾波方法(DRVB-ASCKF)，本發(fā)明大體包括三部分內(nèi)容：第一部分根據(jù)實(shí)際情況中的支持向量回歸(SVR)的參數(shù)優(yōu)化問(wèn)題進(jìn)行系統(tǒng)建模；第二部分簡(jiǎn)述變分貝葉斯自適應(yīng)平方容積卡爾曼濾波(VB-ASCKF)；第三部分結(jié)合?VB-ASCKF引出DRVB-ASCKF，并最終求得狀態(tài)估計(jì)估計(jì)誤差協(xié)方差P_k|k，觀測(cè)噪聲協(xié)方差過(guò)程噪聲協(xié)方差以及Inv-Gamma分布參數(shù)α_k和β_k。?

本發(fā)明可以優(yōu)化等得到一個(gè)動(dòng)態(tài)全局性的SVR估計(jì)參數(shù)。該方法具有較高的濾波精度，同時(shí)它也可以處理噪聲方差的不確定問(wèn)題，此外，如果函數(shù)間關(guān)系不確定，該方法也仍舊可以獲得一個(gè)較高的參數(shù)估計(jì)精度。?

附圖說(shuō)明

圖1為觀測(cè)噪聲和過(guò)程噪聲的估計(jì)流程圖；?

圖2為DRVB-ASCKF的流程圖。?

具體實(shí)施方式

下面首先根據(jù)實(shí)際情況中的SVR參數(shù)優(yōu)化問(wèn)題建立系統(tǒng)模型，而后簡(jiǎn)要經(jīng)分析VB-ASCKF，最后基于該方法并改進(jìn)提出了DRVB-ASCKF，使得最終系統(tǒng)可以獲得一個(gè)基于全局性的SVR參數(shù)動(dòng)態(tài)估計(jì)值。下面詳細(xì)介紹本發(fā)明的實(shí)施過(guò)程。?

步驟1.系統(tǒng)建模:?

由于支持向量回歸(SVR)的性能在很大程度上取決于系統(tǒng)參數(shù)選擇，因此提高SVR模型性能的關(guān)鍵就在于相關(guān)參數(shù)的優(yōu)化。現(xiàn)將SVR的系統(tǒng)選擇問(wèn)題轉(zhuǎn)換為非線性系統(tǒng)狀態(tài)估計(jì)問(wèn)題，并建立非線性狀態(tài)空間模型如下：?

xk=xk-1+vk-1yk=h(xk)+wk---(1)]]>