Adaptive Kernel Adjustment for Unsupervised Learning for Equalization

정보이론적 학습법(ITL)은 비가우시안 잡음 환경에서 머신 러닝, 상태 추정, 신호 처리 등에 성공적으로 적용되어 왔다. 그러나 선형 합성기 구조 기반의 ITL 알고리즘에서 사용하는 커널 폭은 신호 처리 조건에 매우 민감하며, 신중하게 선택된 고정된 커널 폭이라 하더라도 변화하는 통계적 상황에 따라 재조정될 수 없는 한계가 있다. 이러한 문제는 처리 성능의 저하와 수렴 속도의 지연을 초래할 수 있다. 이 중요한 문제를 해결하기 위해, 본 논문에서는 충격성 잡음환경에서 비지도 정보이론적 학습 알고리즘을 위한 적응형 커널 조정 방법을 제안한다. 기존의 실제 분포와 추정된 분포 사이의 유사성을 최대화하도록 설계된 커널 조정 방법은 충격성 잡음 하에서는 부적합함을 밝혔다. 제안된 방법은 결정 오차의 평균 전력을 최소화하고, 그 평균 변화율을 커널 폭 업데이트의 기울기로 활용한다. 이를 통해 빠르고 안정적인 수렴을 보였으며, 각 심볼점으로 출력값이 신속하게 수렴하는 결과를 나타냈다. 이러한 결과는 변화하는 통계적 환경에서도 제안된 방법이 효과적으로 작동함을 보여주며, 비가우시안 잡음 환경에서의 신호 처리 및 머신 러닝 분야에 새로운 접근법을 제공한다.