检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

支持向量回归机在结构可靠性分析中的应用

航空学报 2007年第1期28卷 94-99页

作者：李洪双吕震宙西北工业大学航空学院陕西西安710072

支持向量回归机是1种与人工神经网络类似的新回归方法,目前很少用于结构可靠性分析。鉴于支持向量回归机出色的小样本学习性能、良好的泛化性能,提出了基于支持向量回归机的2种适用于隐式功能函数的可靠性分析方法:基于支持向量回归机的... 详细信息

支持向量回归机是1种与人工神经网络类似的新回归方法,目前很少用于结构可靠性分析。鉴于支持向量回归机出色的小样本学习性能、良好的泛化性能,提出了基于支持向量回归机的2种适用于隐式功能函数的可靠性分析方法:基于支持向量回归机的Monte-Carlo模拟法和基于支持向量回归机的一次二阶矩法。算例表明支持向量回归机可以在抽样范围内很好地逼近真实的隐式功能函数,减少结构分析次数。失效概率计算结果与经典方法的对照,说明所提方法的计算精度较高,具有一定的实用价值。

关键词：结构可靠性隐式功能函数支持向量回归机

在线全文

学校读者我要写书评

暂无评论

支持向量回归机元参数优化方法

系统工程与电子技术 2010年第10期32卷 2238-2242页

作者：宋彦坡彭小奇胡志坤中南大学能源科学与工程学院湖南长沙410083 湖南第一师范学院信息科学与工程系湖南长沙410205

为了优化ε不敏感支持向量回归机(-εsupport vector regression,-εSVR)的三类元参数,根据其耦合程度将其优化问题分解为核参数优化和结构参数(即不敏感参数和正则化参数)优化两个子问题,并提出了相应的优化方法。首先,提出了一种新的... 详细信息

为了优化ε不敏感支持向量回归机(-εsupport vector regression,-εSVR)的三类元参数,根据其耦合程度将其优化问题分解为核参数优化和结构参数(即不敏感参数和正则化参数)优化两个子问题,并提出了相应的优化方法。首先,提出了一种新的核校准系数以优化核参数;其次,提出了一种基于期望训练误差的结构参数优化方法;最后,为准确估算-εSVR的期望训练误差,还提出了一种根据实际训练误差分布特征评估和校正期望误差的方法。仿真结果表明,该文方法具有与交叉检验法近似的优化效果,且时间效率更高。

关键词：支持向量回归机参数优化核校准期望误差

在线全文

学校读者我要写书评

暂无评论

增量式Huber-支持向量回归机算法研究

运筹与管理 2022年第8期31卷 137-142页

作者：周晓剑肖丹付裕南京邮电大学管理学院江苏南京210023 厦门大学信息学院福建厦门361005

传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。... 详细信息

传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。所以在有噪声的情况下,Huber损失函数是比ε-不敏感损失函数更好的选择,在现实情况当中。基于此,本文提出了一种基于Huber损失函数的增量式Huber-SVR算法,该算法能够持续地将新样本信息集成到已经构建好的模型中,而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比,在对真实数据进行预测建模时,增量式Huber-SVR算法具有更高的预测精度。

关键词：增量算法支持向量回归机 Huber损失函数

支持向量回归机在数控加工中心热误差建模中的应用

在线全文

学校读者我要写书评

暂无评论

光学精密工程 2013年第4期21卷 980-986页

作者：苗恩铭龚亚运成天驹陈海东合肥工业大学仪器科学与光电工程学院安徽合肥230009

研究并选择最佳模型对数控加工中心加工过程中的主要误差源-主轴热误差进行补偿,以便提高机床的加工精度。以leaderway-V450加工中心为实验对象,对主轴热误差支持向量回归机模型和多元回归模型进行了分析对比。首先,根据夏季数据建立了... 详细信息

研究并选择最佳模型对数控加工中心加工过程中的主要误差源-主轴热误差进行补偿,以便提高机床的加工精度。以leaderway-V450加工中心为实验对象,对主轴热误差支持向量回归机模型和多元回归模型进行了分析对比。首先,根据夏季数据建立了多元回归模型和支持向量回归机模型。然后,将夏季另一批数据和秋季数据分别代入两种模型计算各模型补偿精度。最后,根据两种模型的精度变化规律比较两者稳健性。实验结果表明:支持向量回归机夏季模型用于补偿夏季和秋季热误差补偿标准差都小于2μm,而多元回归模型用于补偿夏季数据补偿标准差小于2μm,用于补偿秋季数据补偿标准差大于8μm。数据显示支持向量回归机模型用于热误差补偿不仅具有较高精度,同时具有较好鲁棒性。

关键词：热误差多元回归模型支持向量回归机数控加工中心

在线全文

学校读者我要写书评

暂无评论

支持向量回归机预测误差校正方法

系统工程与电子技术 2015年第8期37卷 1832-1836页

作者：陈君彭小奇唐秀明宋彦坡刘征中南大学信息科学与工程学院湖南长沙410083 湖南科技大学信息与电气工程学院湖南湘潭411201 湖南第一师范学院信息科学与工程系湖南长沙410205

针对传统的ε-不敏感支持向量回归机(ε-insensitive support vector regression,ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种ε-SVR预测误差校正方法。该方法以期望预测值与ε-SVR回... 详细信息

针对传统的ε-不敏感支持向量回归机(ε-insensitive support vector regression,ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种ε-SVR预测误差校正方法。该方法以期望预测值与ε-SVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(ε-tube)宽度为约束条件,通过利用高维特征空间中ε-tube边界上和边界外的局部支持向量对ε-SVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的ε-SVR相比,该文方法具有更高的预测精度和更强的泛化能力。

关键词：支持向量回归机误差校正预测精度泛化能力

在线全文

学校读者我要写书评

暂无评论

支持向量回归机在颜色测温中的仿真应用

系统仿真学报 2016年第11期28卷 2736-2741页

作者：任艳周小敏关威傅莉陈新宇沈阳航空航天大学自动化学院沈阳110136

针对工业复杂环境中高温目标温度难以直接测量的问题,提出一种新的基于支持向量回归机(Support Vector Regression,SVR)的颜色测温软测量方法。利用支持向量回归机模型来拟合高温物体颜色图像样本特征值与其温度之间复杂的非线性映射关... 详细信息

针对工业复杂环境中高温目标温度难以直接测量的问题,提出一种新的基于支持向量回归机(Support Vector Regression,SVR)的颜色测温软测量方法。利用支持向量回归机模型来拟合高温物体颜色图像样本特征值与其温度之间复杂的非线性映射关系,将待预测温度的颜色图像特征值输入到训练好的SVR测温模型,进而预测相应的温度。仿真结果表明改进的SOR_SVR算法具有良好的泛化能力和预测精度,且该算法需要的支持向量更少,学习速度更快。

关键词：支持向量回归机非线性映射关系建模仿真温度软预测

基于模拟退火算法优化的支持向量回归机对内螺旋槽切削力的预测

在线全文

学校读者我要写书评

暂无评论

工具技术 2023年第1期57卷 100-105页

作者：沙业典关世玺赵宏刘洋刘莞尔中北大学航空宇航学院太原市030051 晋西工业集团有限责任公司北京宇航系统工程研究所

鉴于内螺旋槽加工领域缺少预测精度良好的切削力预测模型。基于ABAQUS软件对内螺旋槽的切削加工过程进行了有限元仿真,并由此得出切削力数值;通过模拟退火算法对支持向量回归机预测模型进行参数寻优,得出最优参数以及最优切削力预测值,... 详细信息

鉴于内螺旋槽加工领域缺少预测精度良好的切削力预测模型。基于ABAQUS软件对内螺旋槽的切削加工过程进行了有限元仿真,并由此得出切削力数值;通过模拟退火算法对支持向量回归机预测模型进行参数寻优,得出最优参数以及最优切削力预测值,为刀具设计提供依据,并经切削力实验对预测值进行验证。通过仿真以及切削力实验可知,模拟退火算法优化的支持向量回归机预测精度比优化前的预测精度提高了50%以上,且模拟退火优化的支持向量机模型能够应用于实际内螺旋槽的切削加工中。

关键词：内螺旋槽加工模拟退火支持向量回归机有限元仿真切削力预测

基于贝叶斯支持向量回归机的稳健参数设计及其应用研究

在线全文

学校读者我要写书评

暂无评论

基于贝叶斯支持向量回归机的稳健参数设计及其应用研究

作者：顾翔南京邮电大学

学位级别：硕士

为了在全球化竞争下取得竞争优势,制造业必须要重视质量问题。现代质量工程理论认为质量是设计和制造出来的,波动是产生质量问题的根本原因。目前,质量设计广泛应用于产品/过程的设计阶段,是减少波动的有效途径。稳健参数设计(RPD)是一... 详细信息

为了在全球化竞争下取得竞争优势,制造业必须要重视质量问题。现代质量工程理论认为质量是设计和制造出来的,波动是产生质量问题的根本原因。目前,质量设计广泛应用于产品/过程的设计阶段,是减少波动的有效途径。稳健参数设计(RPD)是一种能够有效减少波动的质量改进方法,响应曲面法是RPD的主要方法之一。针对传统响应曲面方法存在预测效果差、建模难度大等不足,研究人员开发了基于代理模型的响应曲面建模技术。其中一个主流的做法是利用支持向量回归机(SVR)模型作为RPD的响应面。SVR模型具有训练速度快、泛化性能好、能处理高维数据、鲁棒性强等优点,已经得到了广泛的研究和应用。现有的基于SVR模型的RPD方法在离线和在线情况下都有一定的研究,并可以用于实际工业场景下,但是模型自身的参数优化问题却很少被关注。贝叶斯优化(BO)是一种全局优化的方法,可以通过相对较少的评估次数快速获得复杂目标函数的近似最优解,能够在模型的参数优化中保持很高的效率和精度。本文在SVR建模技术框架下,以基于SVR的RPD为主要研究对象,利用BO作为优化方法进行参数优化,从而构建更精准的响应曲面,综合运用计算机试验设计、参数优化、系统建模、仿真实验等方法和技术,系统地研究了基于贝叶斯支持向量回归机的稳健参数设计问题,这对于稳健参数设计研究具有重要的理论意义和应用价值。本文的具体研究内容归纳如下:(1)提出了一种基于贝叶斯支持向量回归机(BOSVR)的离线稳健参数设计方法。和传统利用SVR模型用作响应面的RPD方法的不同之处在于,本文所提出的基于BOSVR的RPD策略中,对作为响应曲面的SVR利用贝叶斯优化进行了参数优化,以确保获得一个更为精准的模型用作响应曲面。通过仿真实验验证本文所提的方法和其他优化方法构造的响应曲面,实验结果表明,本文所提方法和其他优化方法相比,所得到的响应曲面模型在精度方面的表现优于其他参数优化方法,同时可以更准确地找到可控因子的最优设置。(2)提出了一种基于贝叶斯序贯支持向量机(BOSSVR)的在线稳健参数设计方法。和传统的离线RPD方法相比,本文的不同之处在于所提出的基于BOSSVR的在线RPD策略,是利用序贯支持向量回归机(SSVR)在线构建响应曲面,可以不断地更新可控因子的最优水平,从而实现在线质量调整。同时,在不断新加样本点的过程中,利用BO实时更新模型参数,确保以获得更为精确的响应曲面。通过实验验证了本研究提出的方法,实验结果表明,本文所提的方法和现有的未进行参数优化的稳健参数设计方法相比,能够更加准确地找到可控因子的最优搭配水平,具有合理性和有效性。(3)本文将基于BOSSVR的在线稳健参数设计方法应用到一个关于电视信号传输质量问题的现实案例中,以此来探究本文所提方法在现实生产中的实用性和可靠性。实验结果表明,本文所提方法能够有效地找到可控因子的最优搭配水平,并且由于模型精度更高,找到最优可控因子水平的速度更快,能够有效提高产品设计的效率、提高产品生产的质量。在制造业中,高效的产品设计和优化是提高产品质量和生产效率的关键。因此,本文所提出的研究对于实现这一目标具有重要的理论和实践意义。综上,本文的研究是基于贝叶斯优化的支持向量回归机模型和基于贝叶斯优化的序贯支持向量回归机的响应曲面构造、基于贝叶斯支持向量回归机的离线稳健参数设计以及基于贝叶斯序贯支持向量回归机的在线稳健参数设计及其应用,这是对现有稳健参数设计理论体系的补充,为现有的稳健参数设计研究提供了新的思路。在文章的最后总结了目前取得的研究成果,同时也指出文章存在的一些不足,并提出了可以改进和进一步研究的方向。

关键词：稳健参数设计支持向量回归机贝叶斯优化响应曲面设计

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非平行平面支持向量回归机算法及其应用研究

非平行平面支持向量回归机算法及其应用研究

作者：石婷安庆师范大学

学位级别：硕士

支持向量回归机(Support Vector Regression,SVR)是机器学习和模式识别领域处理回归问题的有效且重要的工具.受SVR的启发,孪生支持向量回归机(Twin Support Vector Regression,TSVR)于2010年被提出,随着不断深入地研究,TSVR逐渐成为模... 详细信息

支持向量回归机(Support Vector Regression,SVR)是机器学习和模式识别领域处理回归问题的有效且重要的工具.受SVR的启发,孪生支持向量回归机(Twin Support Vector Regression,TSVR)于2010年被提出,随着不断深入地研究,TSVR逐渐成为模式识别领域研究热点之一.然而,在真实世界中,样本数据通常由于受到各种因素的影响而存在噪声或离群点,使得TSVR的预测能力受到影响,其影响一般表现为对噪声或离群点较为敏感,模型鲁棒性较差.本文尝试从提升算法训练速度、预测精度以及降低模型对噪声或离群点敏感等方面对TSVR开展研究,构建新型损失函数,运用最优化理论与方法,提出鲁棒的孪生支持向量回归机算法,使其能更有效地处理实际问题.本文具体研究内容如下:1.针对TSVR预测精度和训练速度问题,通过在目标函数中加入调节参数,对上下边界进行约束,提出了一种新型非平行平面支持向量回归机(A Novel Nonparallel Hyperplanes Support Vector Regression,NNHSVR).该算法构造两个较小规模的二次规划问题,并在对偶空间中利用超松弛迭代法求解.实验结果表明,NNHSVR不仅有较好的泛化性能,且训练速度比TSVR快.2.针对TSVR对噪声或离群点敏感的问题,基于ε-不敏感损失函数与Huber损失函数构造了混合Hε损失函数,考虑结构风险最小化原则,提出了一种新型鲁棒孪生支持向量回归机(A Novel Robust Twin Support Vector Regression,Hε-TSVR).该算法在原始空间中利用牛顿迭代法求解,实验结果验证了Hε-TSVR的有效性和鲁棒性.3.为了进一步解决TSVR对噪声或离群点敏感的问题,受Hε-TSVR和截断损失函数的启发,基于ε-不敏感损失函数与Huber损失函数构造了光滑截断Hε损失函数,考虑结构风险最小化原则,提出了一种基于光滑截断Hε损失函数的鲁棒孪生支持向量回归机(Robust Twin Support Vector Regression Based on Smooth Truncated Hεloss Function,THε-TSVR).该算法转化为非凸优化问题,在原始空间中采用CCCP技术求解,实验结果验证了THε-TSVR的有效性和鲁棒性.

关键词：模式识别支持向量回归机孪生支持向量回归机损失函数