如果数据样本随着时间的推移变得可用，则学习任务是连续的。 内核自适应滤波器 (KAF) 是顺序学习算法。 KAF 面临两个主要挑战：（1）缺乏确定在线学习环境中内核大小的有效方法； (2) 如何调整步长参数。 我们提出了一个使用 KAF 进行在线预测的框架，它不需要一组预定义的内核大小； 相反，内核大小以在线顺序方式创建和更新。 此外，为了改善收敛时间，我们提出了一种在线技术来优化步长参数。 该框架在两个真实世界的数据集上进行了测试，即互联网流量和外汇市场。 结果表明，在没有任何特定超参数调整的情况下，我们的提议可以更快地收敛到相对较低的均方误差值，并获得更好的准确性。
