典型文献
基于稀疏系统辨识的广义递归核风险敏感算法
文献摘要：
为了降低非高斯噪声对系统性能的影响,核风险敏感损失函数(Kernel Risk-Sensitive Loss,KRSL)因其较高的凸性而被广泛应用为自适应滤波器的代价函数.基于此,为了提高非高斯情况下系统的滤波精度,本文采用广义高斯密度(Generalized Gaussian Density,GGD)函数作为KRSL的核函数,进而提出了一种广义核风险敏感损失函数(Generalized Kernel Risk-Sensitive Loss,GKRSL),并给出了GKRSL的重要性质.为了进一步识别稀疏系统,结合GKRSL的优点,采用递归更新方式提出了一种基于稀疏惩罚约束的广义递归核风险敏感损失(Generalized Re-cursive Kernel Risk-Sensitive Loss with Sparse Penalty Constraint,GRKRSL-SPC)算法.仿真结果表明,GRKRSL-SPC算法能够显著提高非高斯噪声下系统的滤波精度和鲁棒性.
文献关键词：
广义相关熵;核风险敏感损失函数;稀疏系统;辨识;自适应滤波
中图分类号：
作者姓名：
王代丽;王世元;张涛;齐乐天
作者机构：
西南大学 电子信息工程学院/非线性电路与智能信息处理重庆市重点实验室,重庆 400715
文献出处：
引用格式：
[1]王代丽;王世元;张涛;齐乐天-.基于稀疏系统辨识的广义递归核风险敏感算法)[J].西南大学学报（自然科学版）,2022(04):196-205
A类：
稀疏系统,稀疏系统辨识,核风险敏感损失函数,KRSL,GGD,GKRSL,GRKRSL,广义相关熵
B类：
递归,非高斯噪声,系统性能,Kernel,Risk,Sensitive,Loss,凸性,自适应滤波器,代价函数,高斯密,Generalized,Gaussian,Density,核函数,更新方式,Re,cursive,Sparse,Penalty,Constraint,SPC
AB值：
0.235549
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
