Detail publikace
A Weighted Gaussian Kernel Least Mean Square Algorithm
ZERGUINE, A.
Arif Muhammad, Ph.D.
Kernel methods, Least mean square, Reproducing kernel Hilbert space, Gaussian kernel, Kernel adaptive filtering
V této práci je
navržen nový algoritmus weighted kernel least mean square (WKLMS), který zavádí
vážené Gaussovo jádro. Studuje se chování algoritmu WKLMS při učení. Analýza
střední kvadratické chyby (MSE) ukazuje, že algoritmus WKLMS překonává algoritmy
nejmenšího středního čtverce (LMS) i KLMS, pokud jde o odezvy v přechodném i
ustáleném stavu. Zkoumáme vliv váženého Gaussova jádra na přidruženou matici
jádra, jeho rozptyl a rozložení vlastních čísel a ukazujeme, jak tyto parametry
ovlivňují konvergenční chování algoritmu. Studujeme chování algoritmu WKLMS jak
v přechodovém, tak v ustáleném stavu a odvozujeme hranici stability. Pro
nestacionární prostředí je uvedena analýza průběhu pro kanál s korelovaným
náhodným průchodem. Dokazujeme také, že ustálený stav přebytku MSE (EMSE)
algoritmu WKLMS je Schurovou konvexní funkcí váhových prvků v jeho váhové
matici jádra, a proto se řídí majorizací váhových prvků jádra. To pomáhá
rozhodnout, která váhová matice jádra může poskytnout lepší výkon MSE. Jsou uvedeny
výsledky simulací, které porovnávají výkonnost navrženého WKLMS s výkonností
jeho protějšků KLMS a LMS algoritmů. Odvozené analytické výsledky navrhovaného
algoritmu WKLMS jsou rovněž ověřeny pomocí simulací pro různé hodnoty velikosti
kroku.
@article{BUT185125,
author="MOINUDDIN, M. and ZERGUINE, A. and ARIF, M.",
title="A Weighted Gaussian Kernel Least Mean Square Algorithm",
journal="CIRCUITS SYSTEMS AND SIGNAL PROCESSING",
year="2023",
volume="42",
number="9",
pages="5267--5288",
doi="10.1007/s00034-023-02337-y",
issn="0278-081X",
url="https://link.springer.com/article/10.1007/s00034-023-02337-y"
}