.png){kind=icon}
返回
Treating the Filter Weights as Learnable Functions: An Efficient Nonlinear Filtering Framework and Its Adaptive Algorithms
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2026.3657751.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自适应滤波器受限于线性滤波框架，在复杂过程中进行非线性建模时往往面临困难。核自适应滤波器（KAFs）通过将输入信号映射到不同的特征空间，提供了一种有前景的解决方案。然而，它们的计算效率和滤波精度可能仍无法满足实际应用的需求。为此，基于Kolmogorov-Arnold（KA）表示定理，本文提出了一种新型非线性滤波框架，将滤波器权重视为可学习函数。具体而言，可学习函数被表示为具有不同中心的多重高斯基函数的线性组合。为了确定定义这些可学习函数的系数，基于最小均方误差（MMSE），进一步提出了基于权重学习的最小均方（WL-LMS）和基于权重学习的递归最小二乘（WL-RLS）算法。此外，为了确保收敛性并评估所提算法的稳态和瞬态性能，提供了对收敛条件和过均方误差（EMSE）的全面理论分析。最后，参数线性系统辨识验证了理论分析的正确性，而混沌时间序列预测和非线性系统辨识则展示了所提WL-LMS和WL-RLS算法的优越性。
Keyword:
Kolmogorov-Arnold theorem
weight-learning-based nonlinear filters
time-series prediction
nonlinear system identification
performance analysis
期刊
I
IF:
5.8
论文数:
331
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Proportionate RLS with l1 norm regularization: Performance analysis and fast implementation比例RLS与l1范数正则化：性能分析与快速实现
PREAI
分享收藏分享收藏
查看更多内容