Kernel Risk-Sensitive Mean p-Power Error Algorithms for Robust Learning

As a nonlinear similarity measure defined in the reproducing kernel Hilbert space (RKHS), the correntropic loss (C-Loss) has been widely applied in robust learning and signal processing. However, the highly non-convex nature of C-Loss results in performance degradation. To address this issue, a conv...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Entropy (Basel, Switzerland) Ročník 21; číslo 6; s. 588
Hlavní autoři:	Zhang, Tao, Wang, Shiyuan, Zhang, Haonan, Xiong, Kui, Wang, Lin
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Basel MDPI AG 13.06.2019 MDPI
Témata:	Accuracy Adaptive filters Algorithms Approximation correntropic Exponential functions Hilbert space kernel adaptive filters kernel risk-sensitive mean p-power error Kernels Machine learning Performance degradation quantized Random variables recursive Risk Robustness Signal processing Similarity Similarity measures
ISSN:	1099-4300, 1099-4300
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!