检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

无核二次曲面支持向量回归机研究

无核二次曲面支持向量回归机研究

作者：马梦萍新疆大学

学位级别：硕士

机器学习已成为当今的研究热门课题.支持向量回归机作为机器学习的经典算法被广泛的应用于股票预测、空气质量预测、癌症风险预测等领域.支持向量回归机通过引入核函数解决非线性问题,但非线性决策函数缺乏可解释性,因此本文研究了无核... 详细信息

机器学习已成为当今的研究热门课题.支持向量回归机作为机器学习的经典算法被广泛的应用于股票预测、空气质量预测、癌症风险预测等领域.支持向量回归机通过引入核函数解决非线性问题,但非线性决策函数缺乏可解释性,因此本文研究了无核二次曲面支持向量回归机,该算法不需要引入核函数,因此避免了核参数的选择且不损失决策函数的可解释性.具体内容如下:第一,提出了 ∈-无核软二次曲面支持向量回归机.通过给定训练集寻找一个二次函数,进一步给出∈-带的概念,使得样本点尽可能多地分布在∈-带内,从而构造优化问题.由于优化问题的未知量中含有矩阵,求解时有一定的困难,于是本文利用矩阵向量化,将优化问题等价转化为二次规划问题.本文也讨论了优化问题与分类模型的一致性关系.通过人工数据和UCI数据集进一步验证了该算法具有更好地拟合性能且耗时较少.第二,提出了非对称v-无核二次曲面支持向量回归机.通过引入Pinball损失函数,使得位于∈-带上方和下方的样本点具有不同的惩罚,进而得到更优的回归函数.进一步,本文理论证明了参数p和v控制∈-带上方和下方错误样本点数目的上界.当p=0.5时,该方法就退化成了对称v-无核二次曲面支持向量回归机,此时也证明了参数v可控制支持向量的个数.数值实验部分展示了本文的算法具有更好的拟合性能且耗时较少,也分析了参数p不会增加计算成本.

关键词：机器学习回归问题 v-支持向量回归机无核二次曲面支持向量回归机 Pinball损失

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

基于在线聚类的多模型软测量建模方法

化工学报 2007年第11期58卷 2834-2839页

作者：李修亮苏宏业褚健工业控制技术国家重点实验室浙江大学先进控制研究所浙江杭州310027

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSvR)的多模型软测量建模方法。在vSvR建模过程中,通过在线聚类算法改善了vSvR模型参数选择算法的稳定性,并用vSvR参数的先验知识和KKT条件实现模型参数的... 详细信息

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSvR)的多模型软测量建模方法。在vSvR建模过程中,通过在线聚类算法改善了vSvR模型参数选择算法的稳定性,并用vSvR参数的先验知识和KKT条件实现模型参数的快速寻优,提高了模型的学习效率和精度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。

关键词：多模型软测量在线聚类 v-支持向量回归机 k-交叉验证算法

结合多路ν-SvR与TFBSS的胎儿心电信号提取

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2015年第6期36卷 1381-1387页

作者：韩亮蒲秀娟刘茜重庆大学通信工程学院重庆400044

提出了一种结合多路v-支持向量回归机(ν-SvR)和时频盲源分离(TFBSS)的胎儿心电信号间接提取方法。利用多路ν-SvR估计各路腹壁信号中的母体心电成分并将其抑制,从而得到多路含噪声的胎儿心电成分的最优估计;然后通过TFBSS从多路含噪声... 详细信息

提出了一种结合多路v-支持向量回归机(ν-SvR)和时频盲源分离(TFBSS)的胎儿心电信号间接提取方法。利用多路ν-SvR估计各路腹壁信号中的母体心电成分并将其抑制,从而得到多路含噪声的胎儿心电成分的最优估计;然后通过TFBSS从多路含噪声的胎儿心电成分的最优估计中提取胎儿心电信号。采用临床心电数据进行实验,结果表明本文提出的方法在可视化结果和信噪比指标上均优于传统方法。

关键词：胎儿心电信号 v-支持向量回归机时频盲源分离

构建起重机载荷谱v-SvRM预测模型的改进方法

在线全文

学校读者我要写书评

暂无评论

工程设计学报 2015年第5期22卷 412-419页

作者：陆凤仪王爽徐格宁戚其松太原科技大学机械工程学院山西太原030024

载荷谱预测精度和鲁棒性直接影响起重机械的疲劳可靠性计算以及安全寿命评估.因此,绘制模拟实际工作状态的载荷谱是解决起重机械疲劳断裂问题的重要环节.然而传统的回归模拟算法对其预测精度较低.支持向量回归机(SvRM)同其他数据分析算... 详细信息

载荷谱预测精度和鲁棒性直接影响起重机械的疲劳可靠性计算以及安全寿命评估.因此,绘制模拟实际工作状态的载荷谱是解决起重机械疲劳断裂问题的重要环节.然而传统的回归模拟算法对其预测精度较低.支持向量回归机(SvRM)同其他数据分析算法相比,具有出色的小样本和非线性特性,预测精度高、稳健性好,可较好地解决欠学习、过学习以及局部最小值等传统回归算法的难题.因此,选用支持向量回归机预测起重机载荷谱,提高了模型的预测精度和鲁棒性.在此基础上,从核函数的构造和决策函数的建立两方面的改进,建立了改进的vSvRM预测模型.工程实例分析结果表明:从BP神经网络模型、v-SvRM模型到改进的v-SvRM模型,Er和RMSRE逐渐减小,R2逐渐增大,验证了所提出的改进方法具有良好的实用性、鲁棒性以及较高的预测精度,为起重机载荷谱的获取与预测提供了新方法.

关键词： v-支持向量回归机核函数决策函数载荷谱

在线全文

学校读者我要写书评

暂无评论

非半正定核条件下v-SvR的SMO算法

系统工程 2017年第4期35卷 149-153页

作者：周晓剑王力侯蓉南京邮电大学管理学院江苏南京210023

大数据背景下,如何对海量数据进行挖掘是目前研究的一个热点问题。序列最小最优化(SMO)算法是实现支持向量机(SvM)对大数据挖掘的有效算法。现有算法假定核函数是正定或半正定,限制了核函数的选择。为解决这一不足,提出了针对非半正定核... 详细信息

大数据背景下,如何对海量数据进行挖掘是目前研究的一个热点问题。序列最小最优化(SMO)算法是实现支持向量机(SvM)对大数据挖掘的有效算法。现有算法假定核函数是正定或半正定,限制了核函数的选择。为解决这一不足,提出了针对非半正定核v-SvR的SMO算法。所提算法不仅适用于非半正定核,而且具有较好的回归精度。

关键词：非半正定核 SMO算法 v-支持向量回归机