钟,山;王子怡;王刚;周宇正;周星丽;彭,贝 基于M估计最小误差熵准则的鲁棒自适应滤波。 (英语) Zbl 1532.94021号 信息科学。 658,文章ID 120026,22 p.(2024). 摘要:Renyi熵作为一种重要的信息量相似性度量,是最小误差熵(MEE)准则的基石。然而,传统的MEE成本必须使用计算上可行的估计器来直接从数据样本中近似误差熵,因为数据样本可能会受到较大干扰离群值的污染,并且MEE的性能可能会在复杂非高斯噪声的存在下恶化。为了解决这个问题,利用M估计的稳健统计特性,通过向下加权或丢弃大误差残差,将M估计引入MEE准则;然后,与重新计算的误差分布下的经验形式相比,我们可以获得更准确的Renyi能量估计。这种创新方法可以简单地实施,同时确保强大的鲁棒性。因此,提出了一种鲁棒的自适应准则,称为基于M估计的最小误差熵(MMEE),及其相应的自适应滤波算法,用于检测和限制非高斯噪声中离群点的影响。此外,对所提出的MMEE的平均稳定性和稳态性能进行了评估,此外,我们从理论上证明了在相同条件下,MMEE算法可以实现比MEE更低的稳态误差。仿真结果验证了我们的理论预测,并与现有的几种鲁棒滤波算法相比,证明了MMEE算法在抑制各种非高斯噪声方面的优越性和鲁棒性。 MSC公司: 第94页第17页 信息的度量,熵 93E11号机组 随机控制理论中的滤波 62G05型 非参数估计 62G08号 非参数回归和分位数回归 62K05美元 最佳统计设计 关键词:自适应滤波;最小误差熵;仁义熵;信息潜力(IP);基于M估计的最小误差熵(MMEE);非高斯噪声 PDF格式BibTeX公司 XML格式引用 \textit{S.Zhong}等人,《信息科学》。658,文章ID 120026,第22页(2024;Zbl 1532.94021) 全文: 内政部 参考文献: [1] 王,X。;Bai,S。;李,Z。;隋,Y。;Tao,J.,基于自适应引导滤波和梯度信息调节的PAN和MS图像融合算法,信息科学。,545, 381-402 (2021) [2] 丁,Y。;张,Z。;赵,X。;洪,D。;李伟(Li,W.)。;蔡伟(Cai,W.)。;Zhan,Y.,AF2GNN:用于高光谱图像分类的自适应滤波器图卷积和聚合器融合,信息科学。,602, 201-219 (2022) [3] 胡,M。;张,S。;Dong,W。;徐,F。;Liu,H.,基于峰值统计的阈值自适应去噪算法和新型自适应互补集成经验模式分解,信息科学。,563, 269-289 (2021) ·Zbl 07763276号 [4] Yang,L.等人。;刘,J。;Yan,R。;Chen,X.,非线性系统辨识的带反正切矩策略的样条自适应滤波器,信号处理。,164, 99-109 (2019) [5] Pauline,S.H。;萨米亚潘,D。;库马尔,R。;阿南德,A。;Kar,A.,用于声回波抵消的可变抽头长度非参数变步长NLMS自适应滤波算法,应用。灰尘。,159,第107074条pp.(2020) [6] Jung,S.-W.,考虑压缩域无损数据隐藏的JPEG压缩图像的自适应后滤波,Inf.Sci。,281, 355-364 (2014) [7] 瓦拉赫,E。;Widrow,B.,最小平均值第四(LMF)自适应算法及其家族,IEEE Trans。《信息论》,30,275-283(1984) [8] 赵,X。;李,X。;毕,D。;Wang,H。;谢毅。;Alhudhaif,A。;Alenezi,F.,L1范数约束核自适应滤波框架,用于物联网下精确和鲁棒的室内定位,Inf.Sci。,587, 206-225 (2022) [9] 陈,B。;Zhu,Y。;胡,J.,最小误差熵准则下ADALINE训练的均方收敛性分析,IEEE Trans。神经网络。,21, 1168-1179 (2010) [10] 黄,H。;荣,H.-J。;杨,Z.-X。;Vong,C.-M.,多重噪声下进化模糊系统推广的递归最小均值对偶p次方解,Inf.Sci。,609, 228-247 (2022) [11] Hilands,T.W。;Thomopoulos,S.C.A.,非高斯噪声中估计的高阶滤波器,信息科学。,80, 149-179 (1994) ·Zbl 0809.93057号 [12] 冯·L。;Sun,H。;Zhu,J.,基于半二次函数和加权schatten-p范数的鲁棒图像压缩传感,信息科学。,477, 265-280 (2019) ·兹比尔1442.94009 [13] 周,Y。;Chan,S。;Ho,K.-L.,脉冲噪声中鲁棒自适应系统辨识的新序列部分更新最小均值M估计算法,IEEE Trans。Ind.Electron公司。,58, 4455-4470 (2010) [14] 王,Z。;赵,H。;Zeng,X.,约束最小均值M估计自适应滤波算法,IEEE Trans。电路系统。快讯,681507-1511(2020) [15] 卢,L。;Yu,Y。;德拉马雷共和国。;Yang,X.,Tukey的双权M-估计与共轭梯度自适应学习,IEEE信号处理快报。,29, 1117-1121 (2022) [16] Petrus,P.,鲁棒Huber自适应滤波器,IEEE Trans。信号处理。,47, 1129-1133 (1999) [17] 邹毅。;Chan,S.-C。;Ng,T.-S.,脉冲噪声中鲁棒自适应滤波的最小平均M估计算法,IEEE Trans。电路系统。二: 模拟数字信号处理。,47, 1564-1569 (2000) [18] 陈,B。;刘,X。;赵,H。;Principe,J.C.,最大相关熵卡尔曼滤波器,Automatica,76,70-77(2017)·Zbl 1352.93095号 [19] Wang,H。;李,H。;张伟。;左,J。;Wang,H.,基于M估计的鲁棒卡尔曼平滑统一框架,信号处理。,158, 61-65 (2019) [20] 刘伟。;公园,I。;Principe,J.C.,设计稀疏核自适应滤波器的信息论方法,IEEE Trans。神经网络。,20, 1950-1961 (2009) [21] 刘伟。;Pokharel,P.P。;Principe,J.C.,《Corr.entropy:非高斯信号处理的特性和应用》,IEEE Trans。信号处理。,55, 5286-5298 (2007) ·Zbl 1390.94277号 [22] 李,Z。;Xing,L。;Chen,B.,量化最小误差熵准则的自适应滤波,信号处理。,172,第107534条pp.(2020) [23] de Sá,J.P.M。;Silva,L.M。;桑托斯,J.M。;Alexandre,L.A.,最小误差熵分类(2013),Springer·Zbl 1280.68006号 [24] 陈,B。;Xing,L。;赵,H。;郑,N。;Prñ,J.C.等人,鲁棒自适应滤波的广义相关熵,IEEE Trans。信号处理。,64, 3376-3387 (2016) ·Zbl 1414.94113号 [25] 王,G。;彭,B。;Z.Feng。;杨,X。;邓,J。;Wang,N.,基于递归最小误差熵准则的自适应滤波,信号处理。,179,第107836条pp.(2021) [26] 陈,B。;袁,Z。;郑,N。;Príncipe,J.C.,核最小误差熵算法,神经计算,121160-169(2013) [27] 王,G。;杨,X。;Wu,L。;傅,Z。;马,X。;何毅。;Peng,B.,一种核递归最小误差熵自适应滤波器,信号处理。,193,第108410条pp.(2022) [28] 埃尔多姆斯,D。;Principe,J.C.,adaline训练中最小误差熵准则的收敛性和数据效率,IEEE Trans。信号处理。,51, 1966-1978 (2003) [29] 埃尔多姆斯,D。;Principe,J.C.,自适应系统训练的广义信息势能准则,IEEE Trans。神经网络。,13, 1035-1044 (2002) [30] 陈,B。;Dang,L。;顾毅。;郑,N。;Príncipe,J.C.,最小误差熵卡尔曼滤波器,IEEE Trans。系统。人类网络。系统。,51, 5819-5829 (2019) [31] 王,G。;陈,B。;杨,X。;彭,B。;冯志刚,数值稳定最小误差熵卡尔曼滤波器,信号处理。,181,第107914条pp.(2021) [32] Y.Susanti、H.Pratiwi、S.Sulistijowati、T.Liana等人,稳健回归中的M估计、S估计和MM估计,国际纯粹与应用数学杂志。91 (2014) 349-360. ·Zbl 1288.62064号 [33] Principe,J.C.,《信息理论学习:Renyi的熵和核心观点》(2010),Springer Science&Business Media·Zbl 1206.94003号 [34] Silverman,B.W.,《统计和数据分析密度估计》(2018年),劳特利奇出版社·Zbl 0617.62042号 [35] Wiens,D.P.,《有偏回归模型的稳健权重和设计:最小二乘和广义M估计》,J.Statist。计划。推理,83,395-412(2000)·Zbl 0976.62075号 [36] Ruppert,D。;Carroll,R.J.,线性模型中的Trimmed最小二乘估计,美国统计协会,75,828-838(1980)·Zbl 0459.62055号 [37] W.Liu、P.P.Pokharel和J.C.Principe,“误差熵、相关熵和M估计”,2006年IEEE信号处理学会第16届信号处理机器学习研讨会,2006年,第179-184页。 [38] Chang,L。;Li,K.,基于M估计的稳健高斯信息滤波的统一形式,IEEE信号处理快报。,24, 412-416 (2017) [39] 盖勒布,F.A。;卡马特,M.B。;Salleh,M。;罗哈尼,M.F。;Abd Razak,S.,使用加权自适应噪声抵消和递归Hampel滤波器的心电图两阶段运动伪影减少算法,PLoS One,13,e0207176(2018) [40] 陈,B。;Xing,L。;徐,B。;赵,H。;Principe,J.C.,《最小误差熵估计稳健性的见解》,IEEE Trans。神经网络学习。系统。,29, 731-737 (2016) [41] Dang,L。;陈,B。;王,S。;马伟(Ma,W.)。;Ren,P.,最小误差熵无迹卡尔曼滤波器的鲁棒电力系统状态估计,IEEE Trans。仪器。测量。,69, 8797-8808 (2020) [42] 黄,Z。;Yu,Y。;德拉马雷,R.C。;范,Y。;Li,K.,比例M估计自适应滤波算法:见解与改进,信号处理。,200,第108671条pp.(2022) [43] Yu,Y。;He,H。;陈,B。;李,J。;Zhang,Y。;Lu,L.,基于M估计的标准化子带自适应滤波算法:性能分析和改进,IEEE/ACM传输。音频语音语言处理。,28, 225-239 (2020) [44] Y.Yu,R.C.De Lamare,T.Yang,Q.Cai,基于M估计的LMS和NLMS算法的跟踪分析,收录于:2021年IEEE统计信号处理研讨会(SSP),IEEE,巴西里约热内卢,2021年:第1-5页。https://doi.org/10.109/SSP49050.2021.9513747。 [45] F.R.汉佩尔。;Ronchetti,E.,Rousseeuw,P.J。;W.A.Stahel稳健统计。基于影响函数的方法;威利:美国纽约州纽约市,2005年·Zbl 0593.62027号 [46] Adamczyk,T.,《Huber和Hampel M估计在房地产价值建模中的应用》,《地理环境》。工程,11(2017) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。