·
搜索结果:找到“支持向量回归”相关结果32309条
排序: 按相关 按相关 按时间降序
  • 【期刊】 支持向量回归增量学习

    刊名:计算机科学 作者:张一凡 ; 冯爱民 ; 张正林 关键词:支持向量回归 ; 支持向量 ; 增量学习 ; 机场噪声 机构:南京航空航天大学计算机科学与技术学院 ; 南京航空航天大学计算机科学与技术学院 年份:2014
    摘要:针对支持向量回归因时空复杂度较高而无法处理大规模数据的问题,提出了一个新颖的增量学习模型——L增量υ支持向量回归(L IncrementalυSupport Vector Regression,LISVR)。该模型针对支持向量丢失所产生的不利影响,通过不断对支持向量样本加权并及时淘汰非支持向量,降低了时空复杂度。从理论上证明了算法可收敛到全局最优解。结合人工数据集、UCI数据集和机场噪声的实际问题对该算法做了相应测试,结果验证了算法的有效性。
  • 【期刊】 鲁棒双子支持向量回归

    刊名:计算机工程与应用 作者:孙少超 ; 应忠于 ; 李伟春 ; 胡云琴 ; 朱麟 关键词:支持向量回归 ; 稀疏性 ; 鲁棒 ; 损失函数 机构:公安海警学院 ; 公安海警学院 年份:2014
    摘要:针对传统支持向量回归机缺乏鲁棒性而鲁棒支持向量回归机稀疏性不理想,提出了新的支持向量回归方法(鲁棒双子支持向量回归)。为了求解的方便,该方法的损失函数由两个可微的凸函数构成,并且采用CCCP技术对其进行求解。该方法在获得良好稀疏性的同时有效地抑制了过失误差的影响。通过人工数据和现实真实数据对该方法的测试,验证了新方法的有效性。
  • 【期刊】 函数型数据支持向量回归

    刊名:中国科学:数学 作者:陈珩;陈迪荣;黄尉; 关键词:函数型数据;;ε-不敏感损失;;支持向量回归;;逼近度;;覆盖数 机构:首都经济贸易大学统计学院 ; 首都经济贸易大学统计学院 ; 武汉纺织大学数学与计算机学院 ; 合肥工业大学数学学院 年份:2018
    摘要:函数型数据回归是一个非常有意义的课题.已有工作都是利用平方损失来衡量误差,而本文采用ε-不敏感损失来衡量误差.本文构造基于ε-不敏感损失的逼近元,给出表示形式及其系数计算.逼近元具有鲁棒性和稀疏性等性质.本文的主要结果是,在一些常规条件下建立预测误差收敛阶.与关于平方损失工作相比,我们不要求协方差算子与积分算子之间的"对齐"关系.此外,本文还讨论了支持向量回归函数本身的逼近性质.即使对有限维数据,关于这方面的结果在文献中也尚未见到.
  • 【期刊】 浅谈支持向量回归及其应用

    刊名:科技经济导刊 作者:唐江凌 ; 周吾舟 关键词:支持向量回归 ; 数据挖掘 ; 应用 机构:桂林师范高等专科学校物理与工程技术系 ; 桂林师范高等专科学校物理与工程技术系 年份:2019
    摘要:支持向量机是一种新的机器学习方法,当它用于解决回归预测问题时又被称为支持向量回归。从支持向量回归的原理、特点及应用等方面介绍支持向量回归技术。
  • 【期刊】 基于Scikit-learn的支持向量回归分析

    刊名:现代信息科技 作者:潘兴广 ; 牛志忠 ; 张明贵 关键词:Scikit-learn ; 支持向量 ; 回归分析 机构:贵州民族大学工程技术人才实践训练中心 ; 贵州民族大学工程技术人才实践训练中心 ; 贵州商学院计算机与信息工程学院 ; 贵州民族大学教务处 年份:2019
    摘要:本文使用python的机器学习库——Scikit-learn实现支持向量回归(SVR)。在人工数据集上,RBF核的SVR比线性核和多项式核的SVR表现出了较好的数据拟合能力。本文在经典的UCI数据集上分别使用线性核、多项式核和RBF核的SVR进行回归分析,并对三种模型进行了分析比较。
  • 【期刊】 动态粒度支持向量回归

    刊名:软件学报 作者:郭虎升 ; 王文剑 关键词:支持向量回归 ; 动态粒度支持向量回归 ; 动态粒划 ; 信息粒 ; 半径 ; 密度 机构:山西大学计算机与信息技术学院 ; 山西大学计算机与信息技术学院 ; 山西大学 年份:2013
    摘要:粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vector machine,简称SVM)的学习效率,但由于经典GSVM通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低.针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型.该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划.如此循环迭代,直到没有信息粒需要进行深层粒划时为止.最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来.在基准函数数据集及UCI上的回归数据集上的实验结果表明,DGSVR方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能.
  • 【期刊】 煤自燃预测的支持向量回归方法

    刊名:西安科技大学学报 作者:邓军 ; 雷昌奎 ; 曹凯 ; 马砺 ; 王伟峰 关键词:支持向量回归 ; 煤自燃 ; 粒子群优化 ; 神经网络 机构:[1]西安科技大学安全科学与工程学院 ; [1]西安科技大学安全科学与工程学院 ; [2]西安科技大学陕西煤火防控重点实验室 ; [3]徐州安云矿业科技有限公司 ; [4]中国矿业大学通风防灭火研究所 年份:2018
    摘要:煤自燃温度的准确预测是矿井煤自燃防控的关键。为了科学准确地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展现场观测实验,以现场束管监测系统数据为基础,采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,并与PSO-SVR模型预测结果进行对比分析。MLR,BPNN,SVR和PSO-SVR模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为:5.75%,0.84%,4.16%和1.13%,测试样本预测结果的MAPE分别为:5.17%,3.03%,3.83%和1.34%.结果表明:MLR模型预测结果最差,说明煤自燃温度与气体指标之间的非线性关系更显著,线性模型不宜于煤自燃预测;BPNN模型训练样本预测效果极佳,但测试样本预测效果较差,易出现“过拟合”现象,泛化性较差;PSO-SVR模型预测精度较标准SVR模型有了极大提高,更适宜于煤自燃预测。
  • 【期刊】 密度加权孪生支持向量回归

    刊名:控制与决策 作者:程昊翔 ; 王坚 关键词:密度加权 ; k近邻法 ; 内在分布 机构:同济大学电子与信息工程学院 ; 同济大学电子与信息工程学院 ; 同济大学CIMS研究中心 年份:2016
    摘要:为了使数据集的内在分布更好地影响训练模型,提出一种密度加权孪生支持向量回归机算法.该算法通过k近邻算法计算获得每个数据点基于数据密度分布的密度加权值,并将密度加权值引入到标准孪生支持向量回归机算法中.算法能够很好地反映训练数据集的内在分布,使数据点准确影响训练模型.通过6个UCI数据集上的实验结果分析验证了所提出算法的有效性.
  • 【期刊】 密度加权孪生支持向量回归机  

    刊名:《控制与决策》 作者:程昊翔 ; 王坚 关键词:密度加权 ; K近邻法 ; 内在分布 机构:同济大学电子与信息工程学院 ; 同济大学电子与信息工程学院 ; 同济大学CIMS研究中心 年份:2016
    摘要:为了使数据集的内在分布更好地影响训练模型,提出一种密度加权孪生支持向量回归机算法.该算法通过k近邻算法计算获得每个数据点基于数据密度分布的密度加权值,并将密度加权值引入到标准孪生支持向量回归机算法中.算法能够很好地反映训练数据集的内在分布,使数据点准确影响训练模型.通过6个UCI数据集上的实验结果分析验证了所提出算法的有效性.
  • 【期刊】 全矢支持向量回归频谱预测方法

    刊名:《郑州大学学报:工学版》 作者:李凌均 ; 陈超 ; 韩捷 ; 陈宏 关键词:支持向量回归 ; 全矢谱 ; 时间序列 ; 频谱预测 机构:郑州大学机械工程学院 ; 郑州大学机械工程学院 ; 河南机电职业学院 年份:2016
    摘要:为了对机械设备进行故障类型和故障部位的准确预测,提出了全矢支持向量回归的频谱预测新方法.该方法使用全矢谱信息融合技术对同源双通道信号进行信息融合,采用支持向量回归对全矢谱特征参数进行预测,保证了训练数据信息的全面性以及预测结果的准确性.该方法对振动信号的频谱结构分布情况进行准确预测,从而为对机组的故障类型和故障部位预测奠定技术基础.通过对某1 000MW汽轮机轴振进行频谱预测验证结果表明,该方法在对振动信号频谱结构特征进行预测方面具有较高的预测准确性.
  • 【期刊】 最小二乘双支持向量回归

    刊名:计算机工程与应用 作者:卢振兴 ; 杨志霞 ; 高新豫 关键词:回归问题 ; 支持向量回归机 ; 双支持向量回归机 ; 最小二乘双支持向量回归机 机构:新疆大学数学与系统科学学院 ; 新疆大学数学与系统科学学院 年份:2014
    摘要:提出了一个最小二乘双支持向量回归机,它是在双支持向量回归机基础之上建立的,打破了标准支持向量回归机利用两条平行超平面构造ε带的思想。事实上,它是利用两条不一定平行的超平面构造ε带,每条超平面确定一个半ε-带,从而得到最终的回归函数,这使该回归函数更符合数据本身的分布情况,回归算法有更好的推广能力。另外,最小二乘双支持向量机只需求解两个较小规模的线性方程组就能得到最后的回归函数,其计算复杂度相对较低。数值实验也表明该回归算法在推广能力和计算效率上有一定的优势。
  • 【期刊】 迁移学习支持向量回归

    刊名:计算机应用 作者:史荧中 ; 王士同 ; 蒋亦樟 ; 刘培林 关键词:迁移学习 ; 数据缺失 ; 支持向量回归机 ; 知识相关性 ; 信息修补 机构:江南大学数字媒体学院 ; 江南大学数字媒体学院 ; 无锡职业技术学院物联网学院 年份:2013
    摘要:传统的回归系统构建方法假设用于建模的数据是充分的,但若当前场景中重要数据信息缺失,则基于此数据集训练所得系统泛化能力较差。针对此缺陷,以支持向量回归机(SVR)为基础,提出了具有迁移学习能力的回归机系统,即迁移学习支持向量回归机(T-SVR)。T-SVR不仅能充分利用当前场景的数据信息,而且能有效地利用历史知识来学习,具有通过迁移历史场景知识来弥补当前场景信息缺失的能力。具体地,通过控制目标函数中当前模型与历史模型的相似性,使当前模型能在信息缺失和不足时从历史场景中得到有益信息,得到增强的当前场景模型。在模拟数据和酒类光谱数据集上的实验研究亦验证了在信息缺失场景下T-SVR较之于传统回归系统建模方法的更好适应性。
上一页 1 2 3 4 5 6 7 8 9 10 下一页 跳转