自适应核宽度的核最小均方算法
机器学习
2016-05-10 v3 机器学习
摘要
核自适应滤波器（KAF）是一类在再生核希尔伯特空间（RKHS）中发展的强大非线性滤波器。高斯核通常是KAF算法中的默认核函数，但选择合适的核宽度（带宽）仍然是一个重要的开放性问题，尤其是在小样本学习场景下。在以往研究中，核宽度由人工设定，或通过基于样本分布的Silverman法则预先估计。本研究旨在开发一种在线优化核最小均方（KLMS）算法核宽度的技术。我们提出了一种序贯优化策略，并发展了一种新算法，其中滤波器权重和核宽度均通过最小化均方误差（MSE）的随机梯度算法进行序贯更新。文中还给出了收敛性的理论结果。静态函数估计和短期混沌时间序列预测的仿真实验证实了该新算法的优异性能。
引用
@article{arxiv.1401.5899,
title = {Kernel Least Mean Square with Adaptive Kernel Size},
author = {Badong Chen and Junli Liang and Nanning Zheng and Jose C. Principe},
journal= {arXiv preprint arXiv:1401.5899},
year = {2016}
}
备注
25 pages, 9 figures, and 4 tables