The application of a robust learning technique is inevitable in the development of a self-cleansing sediment transport model. This study addresses this problem and advocates the use of sparse kernel regression (SKR) technique to design a self-cleaning model. The SKR approach is a regression technique operating in the kernel space which also benefits from the desirable properties of a sparse solution. In order to develop a model applicable to a wide range of channel characteristics, five different experimental data sets from 14 different channels are utilized in this study. In this context, the efficacy of the SKR model is compared against the support vector regression (SVR) approach along with several other methods from the literature. According to the statistical analysis results, the SKR method is found to outperform the SVR and other regression equations. In particular, while empirical regression models fail to generate accurate results for other channel cross-section shapes and sizes, the SKR model provides promising results due to the inclusion of a channel parameter at the core of its structure and also by operating on an extensive range of experimental data. The superior efficacy of the SKR approach is also linked to its formulation in the kernel space while also benefiting from a sparse representation method to select the most useful training samples for model construction. As such, it also circumvents the requirement to evaluate irrelevant or noisy observations during the test phase of the model, and thus improving on the test phase running time.

在开发自清洁沉积物传输模型时，不可避免地要使用强大的学习技术。这项研究解决了这个问题，并提倡使用稀疏核回归（SKR）技术设计自清洁模型。SKR方法是一种在内核空间中运行的回归技术，该技术还受益于稀疏解的理想属性。为了开发适用于广泛信道特性的模型，本研究使用了来自14个不同信道的五个不同实验数据集。在这种情况下，将SKR模型的功效与支持向量回归（SVR）方法以及文献中的其他几种方法进行了比较。根据统计分析结果，发现SKR方法优​​于SVR和其他回归方程。尤其是，尽管经验回归模型无法为其他通道横截面形状和尺寸生成准确的结果，但由于在其结构的核心中包含了通道参数并且还可以在较大范围内进行操作，因此SKR模型提供了令人鼓舞的结果实验数据。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。虽然经验回归模型无法为其他通道横截面形状和尺寸生成准确的结果，但由于在其结构的核心中包含通道参数以及通过处理大量实验数据，SKR模型提供了有希望的结果。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。虽然经验回归模型无法为其他通道横截面形状和尺寸生成准确的结果，但由于在其结构的核心中包含通道参数以及通过处理大量实验数据，SKR模型提供了有希望的结果。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。由于在其结构的核心中包含了一个通道参数，并且通过处理大量的实验数据，SKR模型提供了令人鼓舞的结果。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。由于在其结构的核心中包含了一个通道参数，并且通过处理大量的实验数据，SKR模型提供了令人鼓舞的结果。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。SKR方法的卓越功效还与其在内核空间中的公式化联系在一起，同时还受益于稀疏表示法来选择最有用的训练样本进行模型构建。这样，它也避免了在模型的测试阶段评估不相关或有噪声的观测值的需求，从而缩短了测试阶段的运行时间。