核自适应滤波

本书在开篇首先介绍了机器学习、线性自适应滤波和传统非线性方法的基本概念。接着介绍核自适应滤波的数学基础-再生核希尔伯特空间理论。此处着重强调了核自适应滤波器是一个通用的函数逼近器、在自适应过程中无局部极小值而仅需要合理的计算资源。其次，本书研究了核自适应滤波系列中最简单的核最小均方算法。其三，介绍了核仿射投影算法，具体包括四个类似的算法。其四，介绍了核递归最小二乘算法和高斯过程回归理论。其五，在核递归最小二乘算法基础上讨论扩展核递归最小二乘算法。最后，本书介绍了核自适应滤波器的主要瓶颈，引入了一个称为”惊奇度”的主观信息测度，并给出了一个统一稀疏方法来有效地裁剪核自适应滤波器的生长，以三个有趣的计算机仿真实验来加以说明。