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
1111完成签到,获得积分10
刚刚
1秒前
Orange应助LXYSB采纳,获得10
2秒前
2秒前
勤恳的磬完成签到,获得积分10
2秒前
3秒前
4秒前
鲤鱼凌波完成签到,获得积分20
4秒前
星辰大海应助zzznznnn采纳,获得10
4秒前
勤恳的磬发布了新的文献求助10
6秒前
pluto应助Doinb采纳,获得10
6秒前
大秦帝国完成签到,获得积分10
7秒前
8秒前
晨子发布了新的文献求助10
8秒前
不想起昵称完成签到 ,获得积分10
8秒前
揍鱼完成签到,获得积分10
9秒前
cuen完成签到,获得积分10
9秒前
KYN发布了新的文献求助10
9秒前
一只饺子应助三七采纳,获得30
10秒前
情怀应助xiaoran采纳,获得10
10秒前
amber发布了新的文献求助10
11秒前
11秒前
11秒前
bk完成签到,获得积分20
12秒前
善学以致用应助揍鱼采纳,获得10
13秒前
感动的寒风完成签到,获得积分10
15秒前
Goodenough发布了新的文献求助10
15秒前
Donnie完成签到,获得积分10
15秒前
pluto应助晨子采纳,获得10
16秒前
美好冬寒发布了新的文献求助10
16秒前
17秒前
17秒前
17秒前
minya完成签到,获得积分10
17秒前
ding应助cswtth1采纳,获得10
18秒前
18秒前
19秒前
Sirene发布了新的文献求助20
19秒前
南音发布了新的文献求助10
22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 3186040
求助须知:如何正确求助?哪些是违规求助? 2836400
关于积分的说明 8008971
捐赠科研通 2498786
什么是DOI,文献DOI怎么找? 1333889
科研通“疑难数据库(出版商)”最低求助积分说明 636932
邀请新用户注册赠送积分活动 604821