Mixture quantized error entropy for recursive least squares adaptive filtering

熵(时间箭头) 算法 计算机科学 高斯分布 数学 高斯函数 数学优化 人工智能 量子力学 物理
作者
Jiacheng He,Gang Wang,Bei Peng,Qing Sun,Zhenyu Feng,Kun Zhang
出处
期刊:Journal of The Franklin Institute-engineering and Applied Mathematics [Elsevier]
卷期号:359 (3): 1362-1381 被引量:13
标识
DOI:10.1016/j.jfranklin.2021.12.015
摘要

Error entropy is a well-known learning criterion in information theoretic learning (ITL), and it has been successfully applied in robust signal processing and machine learning. To date, many robust learning algorithms have been devised based on the minimum error entropy (MEE) criterion, and the Gaussian kernel function is always utilized as the default kernel function in these algorithms, which is not always the best option. To further improve learning performance, two concepts using a mixture of two Gaussian functions as kernel functions, called mixture error entropy and mixture quantized error entropy, are proposed in this paper. We further propose two new recursive least-squares algorithms based on mixture minimum error entropy (MMEE) and mixture quantized minimum error entropy (MQMEE) optimization criteria. The convergence analysis, steady-state mean-square performance, and computational complexity of the two proposed algorithms are investigated. In addition, the reason why the mixture mechanism (mixture correntropy and mixture error entropy) can improve the performance of adaptive filtering algorithms is explained. Simulation results show that the proposed new recursive least-squares algorithms outperform other RLS-type algorithms, and the practicality of the proposed algorithms is verified by the electro-encephalography application.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
1秒前
3秒前
llls完成签到 ,获得积分10
6秒前
6秒前
00发布了新的文献求助10
6秒前
陈一晨发布了新的文献求助10
11秒前
耍酷丹云完成签到,获得积分10
12秒前
00完成签到,获得积分10
13秒前
刘春亚完成签到 ,获得积分10
14秒前
科研通AI2S应助科研通管家采纳,获得10
16秒前
烟花应助科研通管家采纳,获得10
16秒前
16秒前
123发布了新的文献求助10
17秒前
科研通AI2S应助科研通管家采纳,获得10
17秒前
传奇3应助科研通管家采纳,获得10
17秒前
酷波er应助科研通管家采纳,获得10
17秒前
17秒前
今后应助科研通管家采纳,获得10
17秒前
盐焗小星球完成签到,获得积分10
17秒前
Lily发布了新的文献求助20
17秒前
今后应助xiaofenzi采纳,获得10
26秒前
小鱼呆呆脑完成签到,获得积分10
29秒前
松山少林学武功完成签到 ,获得积分10
31秒前
31秒前
鲜于白玉完成签到 ,获得积分10
32秒前
航航完成签到,获得积分10
36秒前
王全发布了新的文献求助10
36秒前
37秒前
37秒前
怡然的醉易完成签到 ,获得积分10
39秒前
Lily完成签到,获得积分10
41秒前
Rwslpy完成签到 ,获得积分10
42秒前
43秒前
zz发布了新的文献求助20
44秒前
44秒前
灵巧的翠风完成签到 ,获得积分10
46秒前
斯文败类应助jie采纳,获得10
46秒前
47秒前
白泽发布了新的文献求助10
49秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3184656
求助须知:如何正确求助?哪些是违规求助? 2834957
关于积分的说明 8002315
捐赠科研通 2497369
什么是DOI,文献DOI怎么找? 1332798
科研通“疑难数据库(出版商)”最低求助积分说明 636685
邀请新用户注册赠送积分活动 604068