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
喜悦的向日葵完成签到,获得积分10
2秒前
2秒前
5秒前
222完成签到,获得积分10
5秒前
yuyuyu完成签到,获得积分10
6秒前
MeiLing完成签到,获得积分10
6秒前
6秒前
wangledian发布了新的文献求助10
8秒前
科研通AI2S应助yao采纳,获得10
11秒前
11秒前
11秒前
傅三毒完成签到 ,获得积分20
11秒前
无花果应助一目采纳,获得10
12秒前
风中小刺猬完成签到,获得积分10
12秒前
桐安完成签到 ,获得积分10
12秒前
14秒前
dropwater完成签到,获得积分10
14秒前
羽生结弦的馨馨完成签到,获得积分10
14秒前
tion66完成签到 ,获得积分10
15秒前
16秒前
16秒前
16秒前
马小懂发布了新的文献求助10
17秒前
wang完成签到 ,获得积分10
18秒前
梅子九发布了新的文献求助10
18秒前
欧阳发布了新的文献求助10
20秒前
mufa发布了新的文献求助10
20秒前
20秒前
汉堡包应助宋爽采纳,获得10
20秒前
weisfeat发布了新的文献求助10
21秒前
懂得咚咚完成签到,获得积分10
22秒前
夸父完成签到,获得积分10
24秒前
坦率问安完成签到,获得积分20
24秒前
chinh完成签到,获得积分10
24秒前
研友_VZG7GZ应助WQY采纳,获得10
25秒前
26秒前
怕黑的立轩完成签到,获得积分10
28秒前
mufa完成签到,获得积分10
29秒前
31秒前
34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 3184566
求助须知:如何正确求助?哪些是违规求助? 2834896
关于积分的说明 8002060
捐赠科研通 2497295
什么是DOI,文献DOI怎么找? 1332766
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 604062