学位论文 > 优秀研究生学位论文题录展示
非平行ε-带支持向量回归机及其算法
作 者: 高新豫
导 师: 杨志霞
学 校: 新疆大学
专 业: 计算数学
关键词: 回归问题 支持向量回归机 双支持向量回归机 原始的双支持向量回归机
分类号: TP181
类 型: 硕士论文
年 份: 2013年
下 载: 39次
引 用: 0次
阅 读: 论文下载
内容摘要
支持向量机是建立在统计学理论和结构风险最小化原理的基础上的一类新型的机器学习方法,是解决数据挖掘问题的一个有力的工具.它能够较好地解决非线性、小样本、高维数和局部极小点等实际问题,同时能获得较好的泛化能力.支持向量机首先是从解决分类问题(模式识别)发展起来的,借鉴分类问题的有效算法,将其推广到回归问题中,就产生了支持向量回归机.支持向量回归机对函数拟合(回归逼近)具有重要的理论意义和应用前景.我们在运用支持向量回归机求解回归问题时,如何提高机器学习的效率、降低计算复杂度以及提高回归精度,这些都一直备受研究者的关注.这也是本文的研究内容.本文的主要内容可以概括如下:1.非平行ε-带支持向量回归机.基于双支持向量回归机的思想提出一种新的回归算法,称其为非平行ε-带支持向量回归机.非平行ε-带支持向量回归机的目的仍然是寻找两个不一定平行的超平面,使得每一个超平面都可以确定一个ε-不敏感的上界超平面或者ε-下界超平面.与双支持向量回归机相比,非平行ε-带支持向量回归机的几何意义更接近传统的支持向量回归机,并且计算复杂度也降低了.实验结果表明非平行ε-带支持向量回归机不仅训练速度快而且有很好的泛化性能.2.原始的非平行ε-带支持向量回归机双支持向量回归机.该算法的思想是,先对双支持向量回归机的优化问题引入一个损失函数,将其优化问题改写成一个无约束的优化问题.然后,再用一个二次函数去逼近它的损失函数.这样我们就可以通过一组线性方程组去直接求解原始的优化问题.该算法明显缩短了机器学习的时间,而且不失其准确性和双支持向量回归机的泛化性能.进一步的数值试验也验证了该算法的优越性.
|
全文目录
摘要 3-4 Abstract 4-8 第一章 绪论 8-12 1.1 研究背景 8-9 1.2 研究现状 9-10 1.3 论文研究内容 10-11 1.4 论文的组织结构 11-12 第二章 支持向量回归机及其拓展形式 12-19 2.1 引言 12 2.2 支持向量回归机 12-14 2.2.1 线性情形 12-13 2.2.2 非线性情形 13-14 2.3 双支持向量回归机 14-18 2.3.1 线性情形 14-17 2.3.2 非线性情形 17-18 2.4 本章小结 18-19 第三章 非平行ε-带双支持向量回归机 19-30 3.1 非平行ε-带双支持向量回归机 19-24 3.1.1 线性情形 19-22 3.1.2 非线性情形 22-24 3.2 实验与讨论 24-29 3.2.1 人工合成数据 26-27 3.2.2 机器学习数据 27-29 3.3 本章小结 29-30 第四章 原始的非平行ε-带支持向量回归机 30-36 4.1 原始的非平行ε-带支持向量回归机 30-34 4.2 实验与讨论 34-35 4.3 本章小结 35-36 第五章 结论与展望 36-37 参考文献 37-40 在读期间发表(待发表)的论文 40-41 致谢 41
|
相似论文
- 非汛期水库群协同优化调度与应用研究,TV697.11
- 基于智能算法的碳纤维原丝纺丝工艺监测与优化,TQ342.742
- 面向非标准化制造的工时定额研究,F425
- 与支持向量回归机对应的密度函数的研究,O174
- 基于多特征结合与支持向量机集成的噪声检测与图像去噪,TP391.41
- 基于SVR的中国股票定价研究,F224
- 基于支持向量回归机的股价预测研究,F224
- 基于混沌和SVR的短时交通流预测方法研究,U491.112
- 带有不确定输入的支持向量机研究,O224
- 支持向量回归机在组合预测中的应用研究,F224
- 无刷双馈风力发电系统数据采集与预测的研究与设计,TM315
- 基于SVR的话务量预测模型研究,TN929.5
- 支持向量机在话务预测中的应用与研究,TP18
- 并行支持向量机算法研究,TP181
- 半监督支持向量机学习方法研究,TP18
- 基于WEB的智能预诊工具研究与实现,TH165.3
- 亚像素精度X射线图像畸变校正研究,TP391.41
- 基于SVM的CFRW复合材料导电特性分析预测研究,TB332
- 基于支持向量机的云南地区地震预测,P315.9
- 支持向量回归机在药品销售预测中的分析及应用,F426.72
- 基于支持向量回归机的实用数字图像水印技术,TP309.7
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|