检索结果-内蒙古大学图书馆

作者：周怡华东师范大学

学位级别：硕士

机器学习主要是用来分析处理数据,挖掘数据背后所潜在的相关信息.大数据时代,如何准确快速地挖掘信息背后的关系已成为热点.支持向量机是由Vapnik等人提出的一项用于数据挖掘的新技术,主要用于模式识别、回归分析等方面.支持向量机的优... 详细信息

机器学习主要是用来分析处理数据,挖掘数据背后所潜在的相关信息.大数据时代,如何准确快速地挖掘信息背后的关系已成为热点.支持向量机是由Vapnik等人提出的一项用于数据挖掘的新技术,主要用于模式识别、回归分析等方面.支持向量机的优点在于算法具有稀疏性,运算结果只受一部分样本的影响,抗干扰能力强.此外,通过加入正则项,支持向量机还能防止了“过拟合”.本文主要研究内容:(1)由最大间隔法推广所得的ε-支持向量回归机(ε-SVR)与结构风险最小化回归机(t-SVR)两者的内部联系.(2)文中简略介绍了ε-支持向量回归机、最小二乘法支持向量回归机(LSSVR),以及由ε-SVR算法变形出的v-支持向量回归机(v-SVR).此外,改进了v-SVR算法中的损失函数,分别得到了高斯损失支持向量回归机(GSVR)、混合损失支持向量回归机(MSVR),并用实际数据进行以上五种算法的性能评估.本文研究结论:(1)设ε-SVR算法在参数选定C时,所得的最优解为(w*(C),b*,ξ(*),此时若令t=‖w*(C)‖,则可验证(w*(C),b*)是t-SVR算法的一个最优解,两者等价.(2)无论线性还是非线性回归问题,GSVR算法、MSVR算法在参数C相同且v选取较大时,得到的回归函数与LSSVR算法等价,且对训练集的拟合效果都优于v-SVR算法;对于某些样本集,采用ε不敏感损失的ε-SVR算法性能比其他几种算法预测效果更好,且抗干扰能力更强.(3)对于多元非线性的问题,结合文中的两个实际问题,GSVR算法的预测能力较好。

关键词： ν-SVR ε-不敏感损失函数二次损失函数混合损失函数

来源：评论

学校读者我要写书评

暂无评论

模糊子空间聚类的径向基函数神经网络建模

引用

计算机科学与探索 2015年第12期9卷 1513-1522页

作者：张江滨邓赵红王士同江南大学数字媒体学院江苏无锡214122

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降.针对此缺陷,根据模糊子空间聚类(fuzzy subspace clus-tering,FSC)算法的子空间特性,为RBF... 详细信息

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降.针对此缺陷,根据模糊子空间聚类(fuzzy subspace clus-tering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN).与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间.当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能.模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性.

关键词：鲁棒性径向基函数(RBF) RBF神经网络模糊子空间聚类 ε-不敏感损失函数

来源：评论

学校读者我要写书评

暂无评论

基于多类损失函数的SVR算法的比较研究

基于多类损失函数的SVR算法的比较研究

引用

作者：朱梅华东师范大学

学位级别：硕士

支持向量机(Support Vector Machine, SVM)是Vapnik等人于20世纪90年代初提出的一种基于统计学习理论与结构风险最小化原则的新型学习机器。由于其具有优越的学习能力,能够较好地解决小样本、非线性、高维数等实际问题,在国内外学术界... 详细信息

支持向量机(Support Vector Machine, SVM)是Vapnik等人于20世纪90年代初提出的一种基于统计学习理论与结构风险最小化原则的新型学习机器。由于其具有优越的学习能力,能够较好地解决小样本、非线性、高维数等实际问题,在国内外学术界已日益受到广泛的重视,在模式识别、函数估计、预测建模等方面都得到越来越多的应用。支持向量机(SVM)在引入损失函数下被用来解决回归问题从而被称为支持向量回归机(SVR)。比较常见的损失函数有ε-不敏感损失函数、高斯损失函数、鲁棒损失函数和拉普拉斯损失函数。基于ε-不敏感损失函数的SVR算法的理论和实际应用都比较成熟,而基于高斯损失函数,鲁棒损失函数或拉普拉斯损失函数的SVR算法理论仍需进一步完善。本文借鉴e-不敏感损失函数的SVR算法理论,借助拉格朗日对偶理论分别推导出了其他三种损失函数下的SVR算法,并将SVR算法与时间序列分析方法中的AR模型算法组合,通过实际数据分析比较基于各种不同损失函数的SVR算法的有效性。数值试验中我们重点讨论了SVR算法中各个参数的选取。本文中所用到的参数选取方法可为进一步研究提供参考。最后本文在实验数据的分析比较下给出了总结和展望。

关键词：支持向量回归机 ε-不敏感损失函数高斯损失函数鲁棒损失函数拉普拉斯损失函数

来源：评论

学校读者我要写书评

暂无评论

基于多类损失函数的SVR算法的比较研究

基于多类损失函数的SVR算法的比较研究

引用

第四届信息电子与计算机工程国际会议(The 4th International Conference on Information ,Electronic and Computer Science)

作者：万福永朱梅华东师范大学数学系上海中国200241

本文借鉴ε-不敏感损失函数的SVR算法理论,借助拉格朗日对偶理论分别推导出了其它3种损失函数(高斯损失函数、鲁棒损失函数和拉普拉斯损失函数)的SVR算法,并将SVR算法与AR模型算法组合,通过实际数据分析比较基于各种不同损失函数的SVR... 详细信息

本文借鉴ε-不敏感损失函数的SVR算法理论,借助拉格朗日对偶理论分别推导出了其它3种损失函数(高斯损失函数、鲁棒损失函数和拉普拉斯损失函数)的SVR算法,并将SVR算法与AR模型算法组合,通过实际数据分析比较基于各种不同损失函数的SVR算法的有效性.

关键词：机器学习支持向量回归机 ε-不敏感损失函数高斯损失函数鲁棒损失函数拉普拉斯损失函数

来源：评论

学校读者我要写书评

暂无评论

基于线性ν-支持向量回归机的异常数据检测

引用

数理统计与管理 2011年第1期30卷 59-63页

作者：李丹玲陈平雁周凤麒南方医科大学公共卫生与热带医学学院生物统计系广东广州510515 华东交通大学基础学院信息与计算科学系江西南昌330013

讨论了线性v-支持向量回归机中参数v的意义,并给出了严格的理论证明。利用v-支持向量回归机中ε-不敏感损失函数及参数v的意义,提出一种回归数据中的异常值检测方法。采用线性模型使得该方法不仅速度快而且能处理大规模数据。数值实验... 详细信息

讨论了线性v-支持向量回归机中参数v的意义,并给出了严格的理论证明。利用v-支持向量回归机中ε-不敏感损失函数及参数v的意义,提出一种回归数据中的异常值检测方法。采用线性模型使得该方法不仅速度快而且能处理大规模数据。数值实验证明其具有可行性和有效性。

关键词：线性v-支持向量回归机异常点检测 ε-不敏感损失函数

来源：评论

学校读者我要写书评

暂无评论

ε-不敏感的光滑支持向量回归机的收敛性

引用

计算机工程 2010年第15期36卷 185-187,190页

作者：陈勇徐建敏东莞理工学院计算机学院东莞523808

ε-不敏感的光滑支持向量回归机采用快速的迭代方法进行求解,使回归性能及效率得到了提高,但并没有考虑该回归机的收敛性。针对该问题,采用集合论等方法,通过相关的理论推导,证明该光滑支持向量回归机对任意给定的惩罚参数都是全局收敛... 详细信息

ε-不敏感的光滑支持向量回归机采用快速的迭代方法进行求解,使回归性能及效率得到了提高,但并没有考虑该回归机的收敛性。针对该问题,采用集合论等方法,通过相关的理论推导,证明该光滑支持向量回归机对任意给定的惩罚参数都是全局收敛的,并给出它的收敛上界,为该光滑支持向量机提供了基本的理论支持。

关键词： ε-不敏感损失函数回归支持向量机光滑收敛

来源：评论

学校读者我要写书评

暂无评论

一种求ε-不敏感支持向量回归机光滑函数的新方法

引用

计算机工程与科学 2010年第8期32卷 108-111页

作者：陈勇熊金志东莞理工学院计算机学院广东东莞523808

2008年熊金志等人提出了一种求光滑函数的方法,就理论而言可求得ε-不敏感支持向量回归机的无穷个光滑函数,但该方法每次都需要对光滑函数的导数进行积分,推导过程很繁琐。为克服这个缺点,本文利用支持向量分类机的光滑函数,通过相关的... 详细信息

2008年熊金志等人提出了一种求光滑函数的方法,就理论而言可求得ε-不敏感支持向量回归机的无穷个光滑函数,但该方法每次都需要对光滑函数的导数进行积分,推导过程很繁琐。为克服这个缺点,本文利用支持向量分类机的光滑函数,通过相关的理论推导,用新的递推方式来表示支持向量回归机的光滑函数,简化了原方法的推导过程,得到了一种求支持向量回归机光滑函数的新方法。通过用原方法和新方法分别求光滑函数的两个算例,表明了新方法的有效性。还用新方法导出了光滑函数的一个重要性质,即光滑函数关于光滑阶数是单调减函数,为进一步研究光滑支持向量回归机提供了理论依据。

关键词：支持向量机光滑函数回归 ε-不敏感损失函数

来源：评论

学校读者我要写书评

暂无评论

一种光滑支持向量回归机新函数的研究

引用

中国计量学院学报 2010年第2期21卷 162-166页

作者：沈进东中国计量学院理学院浙江杭州310018

为支持向量回归机提供了一个新的光滑函数,即运用三次样条函数和复合函数的方法,得到一种新的光滑支持向量回归机——三次样条光滑支持向量回归机(TSSSVR).对该支持向量回归机的光滑函数进行了逼近性能和收敛性的分析,并说明该光滑函数... 详细信息

为支持向量回归机提供了一个新的光滑函数,即运用三次样条函数和复合函数的方法,得到一种新的光滑支持向量回归机——三次样条光滑支持向量回归机(TSSSVR).对该支持向量回归机的光滑函数进行了逼近性能和收敛性的分析,并说明该光滑函数比以往的光滑函数具有更高的逼近精度和收敛速度.

关键词：支持向量回归机 ε-不敏感损失函数光滑函数三次样条函数

来源：评论

学校读者我要写书评

暂无评论

回归型支持向量机的调节熵函数法

引用

控制与决策 2009年第11期24卷 1609-1614页

作者：吴青刘三阳张乐友西安电子科技大学数学科学系西安710071 西安邮电学院信息与控制系西安710061

基于最优化理论中的KKT互补条件建立支持向量回归机的无约束不可微优化模型,并给出了一种有效的光滑近似解法——调节熵函数方法.该方法不需参数取值很大便可逼近问题的最优解,从而避免了一般熵函数法为了逼近精确解,参数取得过大而导... 详细信息

基于最优化理论中的KKT互补条件建立支持向量回归机的无约束不可微优化模型,并给出了一种有效的光滑近似解法——调节熵函数方法.该方法不需参数取值很大便可逼近问题的最优解,从而避免了一般熵函数法为了逼近精确解,参数取得过大而导致数值的溢出现象,为求解支持向量回归机提供了一条新途径.数值实验结果表明,回归型支持向量机的调节熵函数法改善了支持向量机的回归性能和效率.

关键词：支持向量机回归 ε-不敏感损失函数调节熵函数 Newton算法

来源：评论

学校读者我要写书评

暂无评论

ε-不敏感损失函数下的Bayes估计方法

ε-不敏感损失函数下的Bayes估计方法

引用

中国现场统计研究会第十二届学术年会

作者：李静茹钱伟民同济大学应用数学系上海 200092

ε-不敏感损失函数是Vapnik提出的一种损失函数,它在建立支持向量机方法中起了关键作用.本文研究了基于ε-不敏感损失函数的Bayes估计方法,结合正态总体的均值估计问题,通过最优化方法给出了ε-不敏感损失函数下Bayes估计的求解方法.随... 详细信息

ε-不敏感损失函数是Vapnik提出的一种损失函数,它在建立支持向量机方法中起了关键作用.本文研究了基于ε-不敏感损失函数的Bayes估计方法,结合正态总体的均值估计问题,通过最优化方法给出了ε-不敏感损失函数下Bayes估计的求解方法.随机模拟表明,上述估计方法是可行的.

关键词： ε-不敏感损失函数 Bayes估计统计判决函数随机模拟均值估计支持向量机

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：