回归函数的小波支持向量机鲁棒估计法

作     者：张晓光 张兴敢 吴行标 耿道华 Zhang Xiao-Guang;Zhang Xing-Gan;Wu Xing-Biao;Geng Dao-Hua

作者机构：南京大学电子科学与工程系南京210093 中国矿业大学机电工程学院徐州221008 江苏天能集团陈楼煤矿徐州221000 

出 版 物：《南京大学学报（自然科学版）》 (Journal of Nanjing University（Natural Science）)

年 卷 期：2006年第42卷第5期

页      面：528-534页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：江苏省博士后科研基金(0502010B) 中国矿业大学科技基金(2005B005) 

主　　题：支持向量机 容许支持向量核 离群点 M-估计 回归函数 

摘      要：小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题.为此,提出回归函数的小波支持向量机鲁棒估计方法(小波支持向量回归,WSVR,Wavelet Support Vector Regression).该方法中首先提出并证明了一种新的小波支持向量机(WSVM,Wavelet Support Vector Machine),用于确定初始参数值方法,这种方法能够确定合理的网络结构和合适的初始参数值,保证含有粗差的样本点的残差绝对值较大;然后使用一种构造的M-估计作为目标函数,并提出了自适应确定阈值方法.仿真结果表明,使用这种方法得到的回归模型不仅具有良好的多尺度逼近特性,而且有较好的鲁棒性和较高的推广性能,具有较高的理论和应用价值.