学位论文 > 优秀研究生学位论文题录展示
加权支持向量回归算法研究
作 者: 吴金花
导 师: 孙德山
学 校: 辽宁师范大学
专 业: 应用数学
关键词: 统计学习理论 支持向量机 线性规划 加权支持向量回归 权值
分类号: TP18
类 型: 硕士论文
年 份: 2009年
下 载: 67次
引 用: 0次
阅 读: 论文下载
内容摘要
支持向量机(Support Vector Machine,SVM)是Vapnik等人根据统计学理论提出的一种机器学习方法。它是建立在VC维和结构风险最小化原则基础上的,利用核函数把非线性可分数据映射到高维特征空间,使其在高维特征空间中线性可分,同时利用核函数计算内积可避免维数灾难。由于支持向量机具有较好的学习性能和泛化能力,该技术已成为机器学习的热点,并在很多领域得到成功应用,如模式识别、图像分析、预测等方面。支持向量回归算法是Vapnik在定义了ε-不敏感损失函数的基础上提出来的,简称ε-SVR算法。在ε-SVR中,输入样本被等同对待,每个样本的松弛项被赋予相同的惩罚因子,所以当样本中存在噪声或野点时,导致SVM在这些点较为敏感,由此产生过拟合现象。针对这种情况,2002年Lin C F等将模糊隶属度的概念引入到SVM分类中,提出了模糊支持向量机(Fuzzy Support Vector Machine,简称FVSVM )的概念,根据不同输入样本对分类贡献的不同,赋予不同的隶属度,将噪声和野点与有效样本区分开。本文在介绍了统计学与支持向量机分类与回归理论的基础上,对加权支持向量回归权值的确定方法进行了研究。根据每个样本偏离数据域程度的不同赋予不同的权值,使噪声点的权值接近于一个很小的实数,以减小对回归函数的影响。在确定权值的训练中,采用线性规划下的一类分类方法。实验证明,该方法减小了回归误差,提高了SVM的抗噪能力。
|
全文目录
摘要 3-4 Abstract 4-6 1 绪论 6-8 1.1 研究的目的和意义 6 1.2 研究现状 6-7 1.3 论文结构 7-8 2 统计学习理论 8-14 2.1 学习模型 8 2.2 经验风险最小化原理 8-9 2.3 VC 维 9-10 2.4 结构风险最小化 10 2.5 最优化理论 10-12 2.6 Wolfe对偶 12-14 3 支持向量机理论 14-24 3.1 基于二次规划的支持向量机分类 14-20 3.1.1 线性可分 14-16 3.1.2 线性不可分 16-19 3.1.3 一类分类 19-20 3.2 基于线性规划的支持向量机分类 20-22 3.3 支持向量回归 22-24 4 加权支持向量回归 24-29 4.1 权值的确定 25 4.2 实验分析 25-28 4.2.1 人工数据 25-27 4.2.2 实际数据 27-28 4.3 实验总结 28-29 5 总结与展望 29-30 参考文献 30-31 致谢 31
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 基于支持向量机的故障诊断方法研究,TP18
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
- 基于车载3D加速传感器的路况监测研究,TP274
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- 肥城煤炭配送中心配煤模型研究,F259.2;F224
- 基于样图的纹理合成算法研究,TP391.41
- 基于机器学习的入侵检测系统研究,TP393.08
- 支持向量机回归在短期电力负荷预测中的应用研究,TM715;F224
- 城市污水处理厂中A~2O工艺过程的建模研究,X703
- WDM全光网络中路由和波长分配问题研究,TN929.1
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
© 2012 www.xueweilunwen.com
|