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
Bright24完成签到,获得积分10
刚刚
文章多多完成签到,获得积分10
刚刚
刚刚
李四完成签到 ,获得积分10
1秒前
Bright24发布了新的文献求助10
3秒前
5秒前
5秒前
zouzou完成签到,获得积分10
6秒前
7秒前
8秒前
9秒前
封闭货车搬运工关注了科研通微信公众号
10秒前
美好乐松应助山谷与花采纳,获得10
10秒前
10秒前
薄衫发布了新的文献求助10
11秒前
文哲完成签到,获得积分20
11秒前
wmy发布了新的文献求助30
12秒前
14秒前
14秒前
阔达的灵雁完成签到,获得积分20
15秒前
文献查找发布了新的文献求助10
17秒前
18秒前
小蘑菇应助大朋采纳,获得10
19秒前
CodeCraft应助仁爱的水儿采纳,获得10
20秒前
leslie完成签到,获得积分10
20秒前
21秒前
小陈加油呀完成签到,获得积分20
22秒前
烟花应助朝暮行行采纳,获得10
22秒前
22秒前
JamesPei应助琉璃苣采纳,获得10
22秒前
23秒前
大马哥完成签到 ,获得积分10
23秒前
柠檬水不要柠檬完成签到 ,获得积分10
23秒前
SCI完成签到,获得积分10
25秒前
25秒前
Chocolate完成签到,获得积分10
25秒前
27秒前
JamesPei应助lixiao采纳,获得60
27秒前
ET发布了新的文献求助10
27秒前
27秒前
高分求助中
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
A new species of Coccus (Homoptera: Coccoidea) from Malawi 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 3183169
求助须知:如何正确求助?哪些是违规求助? 2833346
关于积分的说明 7993499
捐赠科研通 2495493
什么是DOI,文献DOI怎么找? 1331524
科研通“疑难数据库(出版商)”最低求助积分说明 636332
邀请新用户注册赠送积分活动 603490