文献类型：期刊文章

作　　者：王代丽[1] 王世元[1] 张涛[1] 齐乐天[1]

WANG Daili;WANG Shiyuan;ZHANG Tao;QI Letian(College of Electronic Information Engineering,Southwest University/Chongqing Key Laboratory of Nonlinear Circuits and Intelligent Information Processing,Chongqing 400715,China)

机构地区：[1]西南大学电子信息工程学院/非线性电路与智能信息处理重庆市重点实验室,重庆400715

出　　处：《西南大学学报（自然科学版）》

基　　金：国家自然科学基金项目(62071391);重庆市自然科学基金项目(cstc2020jcyj-msxmX0234);中央高校基本科研业务费项目(2020jd001).

年　　份：2022

卷　　号：44

期　　号：4

起止页码：196-205

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD_E2021_2022、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：为了降低非高斯噪声对系统性能的影响,核风险敏感损失函数(Kernel Risk-Sensitive Loss,KRSL)因其较高的凸性而被广泛应用为自适应滤波器的代价函数.基于此,为了提高非高斯情况下系统的滤波精度,本文采用广义高斯密度(Generalized Gaussian Density,GGD)函数作为KRSL的核函数,进而提出了一种广义核风险敏感损失函数(Generalized Kernel Risk-Sensitive Loss,GKRSL),并给出了GKRSL的重要性质.为了进一步识别稀疏系统,结合GKRSL的优点,采用递归更新方式提出了一种基于稀疏惩罚约束的广义递归核风险敏感损失(Generalized Recursive Kernel Risk-Sensitive Loss with Sparse Penalty Constraint,GRKRSL-SPC)算法.仿真结果表明,GRKRSL-SPC算法能够显著提高非高斯噪声下系统的滤波精度和鲁棒性.

关 键 词：广义相关熵  核风险敏感损失函数  稀疏系统  辨识  自适应滤波

分 类 号：TN911.7]