Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
  DetailsÜbersicht

Freigegeben
Konferenzbeitrag

Implicit estimation of Wiener series

MPG-Autoren
/persons/resource/persons83919

Franz,  MO
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;
Max Planck Institute for Biological Cybernetics, Max Planck Society;

/persons/resource/persons84193

Schölkopf,  B
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;
Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1423040
(Verlagsversion)

Volltexte (beschränkter Zugriff)
Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.
Volltexte (frei zugänglich)
Es sind keine frei zugänglichen Volltexte in PuRe verfügbar
Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Franz, M., & Schölkopf, B. (2004). Implicit estimation of Wiener series. In A. Barros, J. Principe, J. Larsen, T. Adali, & S. Douglas (Eds.), 14th IEEE Signal Processing Society Workshop Machine Learning for Signal Processing 2004 (pp. 735-744). Piscataway, NJ, USA: IEEE Operations Center.


Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-F397-9
Zusammenfassung
The Wiener series is one of the standard methods to systematically
characterize the nonlinearity of a system. The classical estimation
method of the expansion coefficients via cross-correlation suffers
from severe problems that prevent its application to high-dimensional
and strongly nonlinear systems. We propose an implicit estimation
method based on regression in a reproducing kernel Hilbert space that
alleviates these problems. Experiments show performance advantages in
terms of convergence, interpretability, and system sizes that can be
handled.