介绍了一种新的基于核的地形图生成学习算法。为了使核输出的联合熵最大化，分别调整核参数。这是通过最大化单个内核输出的微分熵来实现的，因为由于内核重叠，映射的输出冗余需要最小化。后者是通过最小化内核输出之间的互信息来实现的。作为核，采用（径向）不完全伽马分布，因为对于高斯输入密度，核输出的微分熵将是最大的。由于在非重叠高斯混合密度的情况下，可以导出理论上最优的联合熵性能，因此提出了一种新的聚类算法，将此最优值作为其“零”分布。最后，证明了该学习算法与对异方差高斯混合密度模型的Kullback-Leibler散度进行随机梯度下降的学习算法相似。
