...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Signal processing >Kernel Least Mean Square Algorithm With Constrained Growth
【24h】

Kernel Least Mean Square Algorithm With Constrained Growth

机译：约束增长的核最小均方算法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The linear least mean squares (LMS) algorithm has been recently extended to a reproducing kernel Hilbert space, resulting in an adaptive filter built from a weighted sum of kernel functions evaluated at each incoming data sample. With time, the size of the filter as well as the computation and memory requirements increase. In this paper, we shall propose a new efficient methodology for constraining the increase in length of a radial basis function (RBF) network resulting from the kernel LMS algorithm without significant sacrifice on performance. The method involves sequential Gaussian elimination steps on the Gram matrix to test the linear dependency of the feature vector corresponding to each new input with all the previous feature vectors. This gives an efficient method of continuing the learning as well as restricting the number of kernel functions used.
机译：线性最小均方（LMS）算法最近已扩展到可再生内核Hilbert空间，从而产生了一个自适应滤波器，该滤波器由在每个传入数据样本处评估的内核函数的加权总和构建而成。随着时间的流逝，过滤器的尺寸以及计算和存储需求会增加。在本文中，我们将提出一种新的有效方法来约束由内核LMS算法导致的径向基函数（RBF）网络的长度增加，而不会显着牺牲性能。该方法包括在Gram矩阵上进行顺序的高斯消去步骤，以测试与所有先前输入的特征向量对应的每个新输入所对应的特征向量的线性相关性。这提供了一种继续学习以及限制所使用的内核函数数量的有效方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号