Metalearning算法学习基础学习算法,从而提高学习系统的性能。 通常,与原始基础学习算法相比,金属学习算法具有更快的收敛速度和更低的均方误差(MSE)。 内核方法是将算法从线性情况扩展到非线性情况的强大工具。 在先前的工作中,我们提出了一种内核增量金属学习算法(KIMEL)。 近年来,复杂的价值信号处理算法由于其广泛的适用性而越来越受欢迎。 在本文中,我们提出了复杂的价值KIMEL(CKMIEL),有两个版本。 一种基于真实的RKHS的复杂性,称为CKIMEL1,另一种基于纯复杂的内核,称为CKIMEL2。 为了证明所提算法的有效性和优势,我们将其应用于非线性信道识别。 实验结果表明,CKIMEL算法具有较高的收敛速度和较低的收敛MSE,并且CKIMEL1算法优于竞争算法。