基于实数增广表示的四元数极限学习机

基于摘要分析。本文研究四元数信号处理中广义线性建模的计算开销，针对带增广隐藏层的四元数极限学习机（QELMAH），提出基于实数增广表示的快速估计技术。核心贡献是通过改变计算表示降低运算成本，而非提出已验证的 EEG 或 BCI 解码方法。 广义线性建模用于捕获四元数信号的完整二阶统计信息，但增广变量及相应统计量会增加计算负担。作者报告，所提算法与原始 QELMAH 训练得到的网络在数学上实现相同映射，并给出理论等价性证明；相对于原始算法，其乘法次数减少近 93%、加法次数减少 75%。这些数字描述运算次数，不能直接解读为相同比例的运行时间或能耗下降，具体计数条件尚未验证。作者还指出，该技术适用于广义线性四元数递归最小二乘算法。 作者报告通过两个基准问题的仿真验证理论分析及算法有效性，但摘要未提供基准名称、数据规模、划分、预测指标或硬件计时。实数增广构造、训练求解步骤、数值稳定性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多通道特征能以有意义的四元数结构编码，该等价计算技术可能用于降低既有四元数模型的训练开销。可复用的是实数增广估计思路，需另行设计和验证通道或特征到四元数分量的映射；不恰当的分组、低信噪比、跨被试通道差异及小样本下的估计不稳定都可能限制收益。一个小规模可证伪实验是在固定 EEG 任务、数据划分和特征编码下，对照原始 QELMAH 与该实现，核对预测数值差异、任务指标及实际耗时，而不预设精度提升。已有相关 EEG 工作尚未检索确认。