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
刚刚
wy.he应助IUGHBLJHL采纳,获得30
1秒前
1秒前
1秒前
1秒前
3秒前
Mry完成签到,获得积分10
3秒前
gg发布了新的文献求助10
4秒前
4秒前
Flora驳回了Cassie应助
4秒前
远道完成签到,获得积分10
4秒前
4秒前
5秒前
5秒前
5秒前
霸气的瑛发布了新的文献求助10
5秒前
小把子肉发布了新的文献求助10
6秒前
ddd发布了新的文献求助10
6秒前
认真若云发布了新的文献求助10
6秒前
6秒前
6秒前
Desamin发布了新的文献求助10
7秒前
8秒前
8秒前
调研昵称发布了新的文献求助30
8秒前
小飞侠发布了新的文献求助10
8秒前
一朵白云发布了新的文献求助10
9秒前
三文鱼发布了新的文献求助10
9秒前
思琪HMH发布了新的文献求助10
9秒前
12345发布了新的文献求助10
9秒前
shanjiao1324发布了新的文献求助10
10秒前
10秒前
whatever发布了新的文献求助50
10秒前
10秒前
凉翊完成签到,获得积分10
10秒前
我觉得很危险完成签到,获得积分10
11秒前
大气新烟发布了新的文献求助10
11秒前
ESLG应助无忧的阳光采纳,获得10
11秒前
阿湛发布了新的文献求助10
12秒前
劲秉应助yy采纳,获得20
13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 3185093
求助须知:如何正确求助?哪些是违规求助? 2835464
关于积分的说明 8004977
捐赠科研通 2497908
什么是DOI,文献DOI怎么找? 1333180
科研通“疑难数据库(出版商)”最低求助积分说明 636783
邀请新用户注册赠送积分活动 604380