一种支持向量回归中超参数自适应方法

在贝叶斯框架下支持向量回归SVR可视为最大化后验MAP回归函数估计的扩展.贝叶斯方法可用来实现模型中超参数的自适应,同时保持SVR稀疏性和凸二次规划的优点.在对SVR的MAP解做Laplace近似获得关于超参数的SVR模型中证据的平滑表达式,使用基于梯度的优化法可导出使证据最大化的最优超参数.通过引入ARD参数到高斯协方差函数中,可进行输入属性的相关性分析和特征选择.给出了在人工和实际回归问题上的应用及其他方法的对比分析.     

一种新的支持向量回归机的模型选择方法

针对支持向量回归机的模型选择问题,将模型选择问题转化为一个非线性系统的状态估计问题,然后引入无迹卡尔曼滤波进行求解,提出一种新的基于无迹卡尔曼滤波的模型选择方法(UKF-SVR).对标准数据集和太阳黑子数平滑月均值进行仿真实验,结果表明,UKF-SVR与粒子群算法相比,该方法全局寻优能力更强,保证了支持向量回归机泛化能...     

多输出支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点,将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

一种基于信息几何的支持向量回归模型选择新标准

针对现有模型选择标准无法对支持向量回归(SVR)模型选择过程给出明确几何意义的弱点,提出了一种基于信息几何理论的模型选择新标准.它将模型空间看成是一个流形,将模型复杂度等价于其所能覆盖的概率分布个数,模型拟合度则视为样本的真实分布与模型分布之间的分散度,由此直观地解释了SVR的求解过程,并明确了模型选择的几何意义.     

关于支持向量机参数选择方法分析

在分析支持向量机(SVM)原理基础上,分析了SVM中核函数、核参数及惩罚参数C的影响。介绍了两种SVM参数选择方法,作了深入比较,并提出了一种改进的最优化方法。     

基于支持向量回归集成的陀螺仪参数漂移预测

泛化能力是智能方法用于参数预测的最重要的问题之一,提出了支持向量回归集成方法。为了增加个体之间的差异性,提出了基于聚类方法的个体生成方法。首先利用聚类方法将样本分为若干子类,然后用不同结构的支持向量回归学习不同的样本子类,权值由个体在验证集上的泛化误差决定。将ESVR陀螺仪参数飘移数据的预测,并与单支持向量回归,单神经网络,神经网络集成以及组合预测方法进行比较。结果证实,ESVR的预测精度总体高于其他方法。     

基于支持向量回归机和B样条网络回归曲线建模算法

将改进的支持向量回归机与B-样条网络相结合,提出了一种建立回归曲线模型的新算法。实验仿真结果说明了这种算法是可行和有效的。     

基于支持向量回归的增量学习算法

提出了一种基于支持向量回归的增量学习算法,该算法在增量学习中除了考虑原训练集中的支持向量(SVs)外,还考虑了非SVs与ε-带(-iεnsensitive zone)的边界距离较近的样本,并将这些样本与新的训练集一起训练.试验结果表明,与传统的支持向量机增量学习算法相比,此算法提高了训练精度;与经典的SVR相比,此算法大大节约了训练时间,是一种行之有效的增量学习算法.     

基于蚁群优化算法的支持向量机参数选择及仿真

基于支持向量回归机（SVR）模型的拟合精度和泛化能力取决于其相关参数的选取,以蚁群优化算法为基础,给出支持向量回归机参数优化的一种新方法。该方法以最小化k-fold交叉验证误差为目标,对支持向量回归机中的核参数σ和惩罚系数C由蚁群系统中的节点值体现,数值的优选通过蚂蚁对最优路径的选择进行确定。计算机仿真结果表明：与正交法、遗传算法等相比,该方法在参数优化方面有良好的鲁棒性能和较强的全局搜索能力;该方法用于青霉素发酵过程的建模研究,建模精度较高。     

最小二乘双胞支持向量回归机的研究

 利用最小二乘方法和临近支持向量机(PSVM)算法,并结合双胞支持向量机(TSVR),提出了最小二乘双胞支持向量回归机(LSTSVR).作为对照,TSVR需要求解2个二次规划问题,而LSTSVR仅需求解2个线性方程组.最后利用不同的实例验证了所提算法的可行性和有效性.     

Online support vector regression for reinforcement learning

The goal in reinforcement learning is to learn the value of state-action pair in order to maximize the total reward. For continuous states and actions in the real world, the representation of value functions is critical. Furthermore, the samples in value functions are sequentially obtained. Therefore, an online sup-port vector regression （OSVR） is set up, which is a function approximator to estimate value functions in reinforcement learning. OSVR updates the regression function by analyzing the possible variation of sup-port vector sets after new samples are inserted to the training set. To evaluate the OSVR learning ability, it is applied to the mountain-car task. The simulation results indicate that the OSVR has a preferable con- vergence speed and can solve continuous problems that are infeasible using lookup table.     

面向多输出系统的启发式支持向量机回归

针对面向多输出系统支持向量机回归算法训练时间较长的问题,提出一种面向多输出系统的启发式支持向量机回归算法。与多输出的支持向量机回归建模相比,该方法建立的模型结构较为简单,模型训练速度更快。将此方法和直接支持向量机回归算法分别应用到甲基丙烯酸甲酯的间歇聚合反应过程中,仿真结果表明了该方法的有效性。     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。     

一种基于支持向量回归方法在RoboCup中的应用

对RoboCup中截球问题引入了支持向量回归方法,通过采集样本训练预测模型来预测Agent成功截到球时球运动过的距离。为了达到更好的预测效果,对此模型的参数选择问题进行了相应的研究,最后将此预测模型与广义回归神经网络等传统方法相比较,结果表明,在截球距离的预测精度方面要优于传统的广义回归神经网络。     

支持向量机函数拟合在分形插值中的应用

为消除分形插值曲线的断裂和周期现象 ,论文提出在分形插值的后期使用基于统计学习理论 ( SL T)的支持向量机 ( SVM)函数拟合方法。统计学习理论 ( SL T)着重研究在小样本情况下的统计规律及学习方法性质。支持向量机是建立在 SL T理论框架上新的通用学习算法。用该方法对随机生成的分形模型进行拟合实验 ,达到很好的效果。所以 ,在分形插值后期使用 SVM函数拟合 ,不但可以消除插值曲线的不确定性 ,还可以保留分形曲线显示细节变化的优点。     

基于支持向量回归的圆锥螺纹检测

以支持向量回归为主要算法,讨论了圆锥螺纹各参数的图像检测方法。采用边缘保持滤波、二值变换等算法,对圆锥螺纹图像进行处理,获得牙形直线部分的像素表征,并以此构成训练集,进行支持向量回归,得到了螺纹牙形直线方程的亚像素表示,据此对锥螺纹的主要参数进行检测,大大降低了CCD的离散性和系统噪声对测量结果的影响。实验表明,本方法具有测量速度较快,测量精度较高的特点。     

支持向量机回归与v-支持向量机分类解的关系

讨论了支持向量机回归与v-支持向量机分类解的关系,证明了对给定的v-支持向量机分类问题的解,通过选择适当参数,存在一个支持向量机回归问题的解与它等价.     

基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。     

基于光滑化方法的支持向量回归算法

支持向量机是在统计学习理论的基础上发展起来的新一代学习算法,由于其出色的泛化能力,在文本分类、手写识别、数据挖掘、生物信息学等领域中获得了较好的应用.提出了一种光滑支持向量回归算法,实验结果表明,它相对于其它回归训练方法有较快的收敛速度和较高的拟合精度.