Boosted adaptive filters

İyileştirilmiş çevrimiçi regresyonu araştırıyoruz ve güçlü teorik sınırları olan yeni bir regresyon algoritma ailesi önermekteyiz. Buna ek olarak, önerilen genel algoritmanın çeşitli türlerini uyguluyoruz. Özellikle, önerilen algoritmalarımızın performansı için matematiksel anlamda sağlanan güçlü teorik sınırlar sağlarız. Veri veya öznitelik vektörleri üzerinde herhangi bir istatistiksel varsayım yapmadan geleneksel çevrimiçi geri regresyon yöntemlerine göre performans iyileşmesini garanti ediyoruz. Uzmanların uyarlamalı karışımı ile veriyi yeniden kullanma algoritmaları arasında, iyileştirme açısından içsel bir ilişki olduğunu gösteriyoruz. Ayrıca, geliştirilmiş bir performans kazancı elde ederken, geleneksel iyileştirme yöntemleri ve önerilen algoritmalarımızın diğer türlerinden daha hızlı olan rastgele güncellemelere dayanan bir iyileştirme algoritması sunuyoruz. Dolayısıyla, rastgele güncelleme yöntemi, özellikle hızlı ve yüksek boyutlu sürekli akan veriye uygulanabilir. Özellikle, uzman karışımı bağlamında Özyinelemeli En Küçük Kareler (RLS) tabanlı ve En Az Ortalama Kareler (LMS) tabanlı doğrusal regresyon algoritmalarını araştırıyor ve bu iyi bilinen uyarlama yöntemlerinin çeşitli türlerini sunuyoruz. Ayrıca, önerilen algoritmaları diğer süzgeçlere de genişletiriz. Özellikle, önerilen algoritmaların parçalı doğrusal süzgeçler üzerindeki etkisini araştırıyoruz. Ayrıca, önerilen algoritmalarımızın hesaplama karmaşıklığı için teorik sınırlar sağlarız. Oluşturulan süzgeçler üzerinde ortalama karesel hata açısından önemli performans artışını kapsamlı gerçek veri setleri ve temsili örnekler vasıtasıyla gösteriyoruz.