具有固定预算的量化内核最小均方算法（QKLMS-FB）是一种以降低精度损失为代价来约束QKLMS最终网络大小的有效方法。 但是，字典中所有中心的重要性都需要在每次迭代时进行计算，这将导致QKLMS-FB的计算复杂度随中心编号线性增加。 为了减少计算成本并同时保持更好的精度，仅合并系数向量和影响因子以测量每个中心的重要性，从而生成新颖的简化QKLMS-FB（SQKLMS-FB）。 另外，在SQKLMS-FB中应用了梯度下降法来更新最近中心的系数，以提高精度。 在固定和非固定情况下的仿真都验证了所提