检索结果-内蒙古大学图书馆

作者：杨宁中国海洋大学

学位级别：硕士

支持向量机(SVM)，是近几年在统计学习这一坚实理论基础之上发展起来的，针对小样本数据的机器学习方法，其优良的推广性能引起众多研究者的重视并得到较好应用。本文从SVM的理论分析切入，阐述了SVM的基本原理、特性以及回归估计SVM在... 详细信息

支持向量机(SVM)，是近几年在统计学习这一坚实理论基础之上发展起来的，针对小样本数据的机器学习方法，其优良的推广性能引起众多研究者的重视并得到较好应用。本文从SVM的理论分析切入，阐述了SVM的基本原理、特性以及回归估计SVM在感官评估中的应用设计和实际性能，并与BP神经网络进行了对比分析。论文首先从学习问题的表示、统计学习理论等角度对支持向量机的理论基础进行了描述和探讨，对SVM这一更具构造性的机器学习方法的研究现状以及主要改进算法作了综述和比较说明；并对支持向量机目前存在的主要问题进行了分析探讨；在参数选择上，认为依靠经验设置仍是快速有效的方法。对SVM在感官评估中的实际应用，本文在分析工业企业产品感官评估样本数据特征的基础上，指出了计算机辅助感官评估的核心是：建立适应小样本数据环境的机器学习模型，而且要更注重该学习模型的推广能力。结合支持向量机在多类模式识别中存在的问题，提出用回归函数估计SVM进行建模来解决感官评估多类划分问题，并对其实际应用进行了算法选择、参数设计和实验验证。针对支持向量机的学习性能和推广能力，结合实际的感官评估应用，本文在进行理论分析的同时，将支持向量机置于企业实际数据环境中，在小样本、高维数、强噪声、非线性数据条件下，重点以实验方式验证、探讨支持向量机在感官评估中的性能表现；并以实验结果为参考，与BP神经网络方法进行对比研究，得出了一些有价值的结论。全文分为以下六章：第一章描述了本文选题背景以及SVM与感官评估的研究现状。第二章对学习问题的表示、统计学习中的关键理论、SVM中的重要概念以及非线性回归估计SVM算法作了描述，并说明了产品感官评估对应的学习问题。第三章比较SVM当前的几种主要改进算法，对SVM存在的主要问题进行讨论。第四章在指出传统感官评估方式存在问题的同时，首先将SVM的多类模式识别功能在感官评估中进行应用验证，实验结果表明该方法难以满足实际需要。在此基础上，对感官评估样本数据的特征以及感官评估学习问题的建模进行分析，提出用回归估计SVM方法来解决感官评估的多类别划分问题。然后对回支持向t机在感官评估中的应用研究归估计svM方法进行设计，并应用烟草行业的单料烟感官数据进行实验验证，获得良好的测试结果;结果表明该方法完全可以应用到感官评估业务中。第五章针对感官评估的SVM方法与BP神经网络方法，首先对这两种机器学习方法的关系进行探讨，并在理论层面上对两者的学习性能作了分析与比较。然后从感官评估准确度、推广能力方面进行对比分析.研究表明，回归估计SvM 方法与BP神经网络方法在感官评估应用中都具有良好的性能，两者从样本数据中学习到的规律是一致的且符合实际情况。在推广能力方面，SVM优于BP 神经网络。本文最后一章对全文进行了系统总结，并对本文研究内容今后的发展特征、方向和主要关注点进行了探讨。

关键词：支持向量机感官评估回归估计多类别划分 BP神经网络推广能力卷烟评吸统计学习

来源：评论

学校读者我要写书评

暂无评论

因子分析法中因子得分的岭估计

引用

西南民族大学学报（自然科学版） 2004年第2期30卷 138-140页

作者：饶从军黄冈师范学院数学系湖北黄州438000

从传统的因子分析模型出发,对其中的因子得分的回归估计运用了岭估计进行改进,从而有效增强了因子得分估计的稳定性.

关键词：因子分析法因子得分岭估计回归估计

来源：评论

学校读者我要写书评

暂无评论

回归估计量均方误差的近似值及其估计量的偏差

引用

无锡轻工大学学报（食品与生物技术） 2001年第2期20卷 199-201页

作者：张荷观无锡轻工大学商学院江苏无锡214064

对回归估计 ,有下列结果 :( 1 )MSE( ylr) =V( ylr) +O( 1n2 ) ;　　 ( 2 )E[mse( ylr) ]=V( ylr) +O( 1n2 ) .其中V( ylr) =( 1n- 1N)S2y( 1 - ρ2 ) ,　　mse( ylr) =( 1n- 1N)s2 y( 1 -r2 ) .

关键词：回归估计均方误差近似值偏差估计量

来源：评论

学校读者我要写书评

暂无评论

基于微分容量控制的学习机

引用

电子学报 2003年第10期31卷 1526-1531页

作者：张莉周伟达焦李成西安电子科技大学雷达信号处理重点实验室陕西西安710071

本文通过对函数集容量的分析 ,得出用函数的微分来控制函数集容量的学习方法 .该方法不仅能用支撑矢量核函数而且可以采用其他的函数作为基函数 .基于样本的机器学习 ,要求学习机在容量控制和过拟合之间取一个折衷 ,从而保证学习机的推... 详细信息

本文通过对函数集容量的分析 ,得出用函数的微分来控制函数集容量的学习方法 .该方法不仅能用支撑矢量核函数而且可以采用其他的函数作为基函数 .基于样本的机器学习 ,要求学习机在容量控制和过拟合之间取一个折衷 ,从而保证学习机的推广能力和误差精度 .本文通过在微分容量控制和最小化经验误差之间作一个折衷 ,提出基于微分容量控制的学习机 .仿真实验验证了我们的学习机具有良好的推广能力 .

关键词：机器学习支撑矢量机容量控制模式识别回归估计

来源：评论

学校读者我要写书评

暂无评论

关于抽样调查方差统一公式的探讨

引用

统计与决策 2003年第10期19卷 23-25页

作者：刘建平宋剑波藉艳丽暨南大学中南财经政法大学

在抽样调查的论著和教科书中,不同的抽样方法其抽样误差计算公式是不一样的,这给掌握和使用抽样调查技术造成了一定的困难.

关键词：抽样调查方差回归估计随机变量

来源：评论

学校读者我要写书评

暂无评论

几种蛋白质饲料源氨基酸值的回归估计研究

引用

西南民族学院学报（自然科学版） 2001年第3期27卷 342-344页

作者：朱宇付成平农业部食品质量监督检验测试中心成都610066

对三种蛋白质饲料源的粗蛋白 (cp)含量与其氨基酸 (aa)含量间的关系进行了探讨 .结果表明二者含量存在极显著关系并通过回归统计建立了cp与aa值之间的一元回归方程 .将欲测样品的cp值代入方程中即可估算出相应的aa值 .结果证明 ,根据粗... 详细信息

对三种蛋白质饲料源的粗蛋白 (cp)含量与其氨基酸 (aa)含量间的关系进行了探讨 .结果表明二者含量存在极显著关系并通过回归统计建立了cp与aa值之间的一元回归方程 .将欲测样品的cp值代入方程中即可估算出相应的aa值 .结果证明 ,根据粗蛋白含量估算氨基酸含量是可行的 .采用此方程估算氨基酸值快速、准确而经济 .

关键词：粗蛋白氨基酸回归方程蛋白质饲料营养指标含量测定回归估计

来源：评论

学校读者我要写书评

暂无评论

基于支持向量机的非线性系统辨识

引用

系统仿真学报 2003年第1期15卷 119-121页

作者：张浩然韩正之李昌刚上海交通大学自动化系上海200030

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种新的具有很好泛化性能的回归方法,该文利用支持向量机对非线性系统进行黑箱建模,介绍了v-SVR的基本理论,并进行了仿真实验,结果验证了所提出的方法的正确性和有效性。

关键词：支持向量机非线性系统统计学习理论回归估计系统辨识

来源：评论

学校读者我要写书评

暂无评论

回归函数的支持向量机估计法

引用

湖北师范学院学报（自然科学版） 2003年第4期23卷 9-13页

作者：潘继斌湖北师范学院数学系

回归估计是统计学中基本问题之一 .本文在归纳了其经典的估计方法之后 ,总结了支持向量机估计回归函数方法 ,并从理论和应用角度阐述了支持向量机的基本思想。

关键词：回归函数回归估计支持向量机统计学损失函数核函数

来源：评论

学校读者我要写书评

暂无评论

优生演进优化和统计学习建模

优生演进优化和统计学习建模

引用

作者：宋晓峰浙江大学

学位级别：博士

科学技术的发展使人们对客观世界不断要求更为深入的认识，然而在许多领域，如化学化工、生物医学等，仍有许多对象的内在机理暂时还难以为人们所了解，但人们仍迫切需要了解和研究它们的自变量和因变量间的定量关系。这时，根据采集研... 详细信息

科学技术的发展使人们对客观世界不断要求更为深入的认识，然而在许多领域，如化学化工、生物医学等，仍有许多对象的内在机理暂时还难以为人们所了解，但人们仍迫切需要了解和研究它们的自变量和因变量间的定量关系。这时，根据采集研究对象的观测数据建立模型，用以对自变量和因变量之间的定量关系作出预测，是科学工作者重要的基础性工作之一。数学模型是对客观对象活动规律的一种定量描述，是表述对象行为和性能的一种重要形式。建模方法涉及到最优化方法、数理统计、人工智能、模式识别、机器学习、神经网络等多方面的理论和方法。本文首先回顾了现行的建模方法。由于优化方法在建模中有相当重要的作用，因此，接着对具有全局寻优性能的遗传算法进行了较为深入的研究，提出了基于优生演进策略的遗传算法（EGA），使寻优性能有较大的提高，并成功应用于化工领域中重油热解模型参数的估计。所提EGA方法为随后的支持向量机参数优化打下了良好的基础。本文紧接着还对统计学习理论（SLT）和支持向量机（SVM）技术进行了较为详细的讨论，这是对神经网络方法发展到目前的一种新的突破，在多个方面显示出良好的性能。本文在基于观测数据的统计学习建模方法上提出了一些新思想、新方法。以下是本文的主要研究成果。（1）针对简单遗传算法容易早熟，全局寻优效率偏低等缺点，提出了一种优生演进策略，在演进过程中获取种群繁衍的有用信息，自适应地改善子代个体的分布，适时地引入确定性寻优操作，以改进常规遗传算法的性能。提出的相应技术包括：采集种群多样性指标用以调整变异概率;改进交叉算子，避免子代收缩，并提高其适应度;新增Powell寻优算子，加速局部搜索。测试实例表明优生演进策略和相关技术收到了较好的效果。本文还将基于优进策略的遗传算法（EGA）成功地应用于重油热解三集总反应动力学模型的参数估计，效果良好。EGA是适用于模型中参数优化的一种有效方法。（2）支持向量机采用了结构风险最小化（SRM）原则，用于模式分类已表现出优良的性能，但在观测数据中存在复共线性时，其分类效果就有所降低。因此，为了充分利用支持向量机良好的分类能力，使之能处理存在复杂相关关系的观测数据，给出了结合分类相关成分分析（CCA）的支持向量机建立分类模型的方法（CCA-SVM），又利用本文第三章所提出的EGA算法优化分类相关成分数及支持向量机参数。然后将其成功地应用在建立留兰香的分类器模型上，它的训练与预浙江大学博士学位论文测分类精度比SVM方法、分类相关成分分析一自组织映射网（CCA一SOM）方法都有明显提高。所提出的CCA一SVM方法可有效的建立高维复杂模式分类器。（3）支持向量机（SVM）的参数对其回归估计性能有很大影响。在分析这种影响的基础上，导出了参数调整的自适应算法，由此构成自适应支持向量机（A一SVM）。它采用结构风险最小原则，又能自动确定最优参数，其回归估计函数有良好的预测能力。并成功地为延迟焦化反应焦炭产率建模。与径向基网一偏最小二乘（RBFN一PLSR）方法相比，A一SVM方法的拟合精度和预测能力均有明显的提高。（4）通过对现行的支持向量机（SVM）回归估计性能的分析，确定核函数及其参数和惩罚因子等是影响回归估计性能的重要因素。针对定义域各分区间内样本数据的噪声强度不同，以及在局部范围内数据变化急剧等复杂情况，本文提出了结构可调的支持向量回归估计（AS一SVM）方法，包括采用不同的损失函数，对各数据点自适应地选用不同的参数等。推导了求解公式，给出了调整算法。实例测试表明，AS一SVM方法的建模效果优于常规方法。总之，论文对基于观测数据统计学习建模方法及与之有关的优化方法进行了较为全面深入的分析和探讨，通过深入研究目前该领域中最新发展起来的统计学习理论和支持向量机技术，提出了多种能够提高建模效果的新方法，为化学化工对象等许多领域的建模提供了新途径。论文最后对所做的工作进行了总结，并提出了进一步研究的方向。

关键词：建模优生演进优化遗传算法统计学习支持向量机结构可调自适应参数调整回归估计模式分类

来源：评论

学校读者我要写书评

暂无评论

支持向量机理论、方法和应用研究

支持向量机理论、方法和应用研究

引用

作者：阎威武上海交通大学

学位级别：博士

该文从支持向量机理论、方法和应用相结合的角度出发,在支持向量机算法、模型选择和应用等方面进行了系统地研究,该文的主要工作和贡献包括以下内容:1.重点研究了支持向量机估计算法.分析了贝叶斯框架下基于数据的机器学习问题.2.根据... 详细信息

该文从支持向量机理论、方法和应用相结合的角度出发,在支持向量机算法、模型选择和应用等方面进行了系统地研究,该文的主要工作和贡献包括以下内容:1.重点研究了支持向量机估计算法.分析了贝叶斯框架下基于数据的机器学习问题.2.根据软测量建模中小样本、非线性及要求模型泛化能力强等特点,将支持向量机估计算法应用于软测量建模,提出了基于支持向量机的软测量建模方法.3.重点研究了支持向量机分类算法.在基于贝叶斯框架下标准支持向量机分类算法的基础上,统一提出了贝叶斯框架下标准支持向量机分类算法和最小二乘支持向量机分类算法,在贝叶斯框架下进行支持向量机分类算法的最优正规化参数和核参数的选择.4.将支持向量机分类算法应用于支持决策系统.从支持决策系统体系结构的角度出发,提出了两类基于支持向量机的并行决策模型,并将它们应用于分布式的故障诊断中.5.介绍了核的概念、核的性质及核的分类,分析了一种非监督核学习方法,即核主元分析.针对主元分析在非线性数据协调中的缺点,提出了一种基于核主元分析的非线性数据协调新方法,并应用于三组分精馏过程的成分协调.

关键词：统计学习理论支持向量机贝叶斯理论回归估计支持决策系统

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：