得到相同的结果，那幺作为观察者，我们就认为这两个系统是一样的。
核自适应滤波器就是我认为能完成对复杂系统的学习的一个很有潜力的方法。
」导师无表情的微微点头。
「传统的核自适应滤波器是这样的一个结构：滤波器的内部结构是一个只有前馈没有反馈的神经网络。
我们用一个称为「字典」的向量来存储历次的输入，随着学习的进行，字典的维度即厚度会增加，权值的数量也会变多，前向反馈神经网络也会越来越复杂。
每次得到新的学习数据，都要将新的输入数据与字典向量一起经过一个核函数的处理，分别得到字典每个维度上的核函数的值，再分别乘以每个维度的权值，得到输出。
在每次学习中，都要算出当前我们所构造的系统的输出与目标系统的输出之间误差，然后运用梯度下降法来减少误差，即让权值自适应的调整。
这样经过足够次数的学习，系统会越来越复杂，但学习的结果会越来越逼近我们需要学习的系统。
事实上，这是可以用自然语言描述的：一个内部越复杂的系统，它就能展现越多精细深微的细节，以及更真实的对现实的表现力，因为现实是具有无
-->>(第6/22页)（本章未完，请点击下一页继续阅读）