检索结果-内蒙古大学图书馆

作者：易远强广西师范大学

学位级别：硕士

随着科技的发展,不少学者已经提出了许多方法来应对越来越具有挑战性的多输出回归任务。在高维数据的回归任务中,多输出回归算法利用数据的多个特征值来预测多个输出值,能获得较好的效果。实际应用中产生的数据往往具有很多的特征,比如... 详细信息

随着科技的发展,不少学者已经提出了许多方法来应对越来越具有挑战性的多输出回归任务。在高维数据的回归任务中,多输出回归算法利用数据的多个特征值来预测多个输出值,能获得较好的效果。实际应用中产生的数据往往具有很多的特征,比如生物医学的基因数据,计算机视觉中的图像数据,web网站中产生的日志或用户浏览记录的文本数据等。为了提高对这些高维数据的利用效率,并在回归分析中能取得比较好的分类效果,因此需要对这些高维数据进行特征选择,降低这些高维数据的维度。许多研究者提出了低秩回归模型,并在此基础上进行特征选择和属性约减。由于只是简单的进行处理,没有对样本进行选择(去除噪音数据和离群点数据对模型的干扰)。因此,为了能够快速且稳定地处理高维数据多输出回归问题,本文提出了一种超图低秩属性选择多输出回归算法。具体地,首先,本文在基本线性回归基础上应用l2,p范数进行样本选择,去除噪音和离群点样本,使得学习得到的模型具有更准确的预测能力。接着,通过回归系数矩阵来进行特征选择,从而得到新的特征样本数据集。然后,使用10-折交叉验证进行模型训练,从而学习最终回归模型。模型中学习得到的回归系数矩阵可以选择出重要的特征,而低秩回归可以输出各变量之间紧密的关联结构。最后,在模型中嵌入超图,通过超图来保留各数据之间的局部相关性结构,使得模型更具有稳定性。实验结果表明,该算法相比其它对比算法,能更有效地选取属性,应用于多输出回归任务中能取得很好的分类效果。

关键词：数据挖掘回归算法属性选择超图子空间学习

来源：评论

学校读者我要写书评

暂无评论

支持向量机回归算法及参数优化方法的研究与应用

支持向量机回归算法及参数优化方法的研究与应用

引用

作者：李洁薇中国地质大学（武汉）

学位级别：硕士

统计学习理论是基于有限训练样本情况下的机器学习理论，通过控制学习机器的复杂度从而实现对学习机器推广能力的控制。支持向量机是基于统计学习理论的一种新的机器学习方法，它应用统计学习理论中的结构风险最小化原则，采用了核技术... 详细信息

统计学习理论是基于有限训练样本情况下的机器学习理论，通过控制学习机器的复杂度从而实现对学习机器推广能力的控制。支持向量机是基于统计学习理论的一种新的机器学习方法，它应用统计学习理论中的结构风险最小化原则，采用了核技术，巧妙地解决了“维数灾难”问题，比传统的方法表现出更好的理论优势；研究表明，支持向量机具有良好的泛化性能和推广能力，由于其出色的学习性能已经在模式识别、回归估计、时间序列预测等多方面得到成功应用，成为机器学习领域新的研究热点。\n 基于分类问题的支持向量机算法的应用已经得到了广泛的研究和发展，而对回归方面的研究尚需要进一步深入。支持向量机回归作为一种新的回归估计方法，仍然存在着很多问题有待于解决：如算法的学习本质上是一个二次规划问题的求解过程，传统的优化技术在计算中需要存储核函数矩阵，消耗大量内存，仅仅适用于小样本的回归预测；对于大规模样本的回归问题，很多改进的学习算法速度仍然达不到应用的要求，回归估计和预测的精度也需要进一步提高；另外，支持向量机回归算法中的核参数和自由参数，对算法的回归性能有重要的影响，然而要找到最合适的模型和参数选择则比较困难，仍然没有找到合适的方法来选择模型参数的最佳组合；这些问题都限制了支持向量机回归应用领域的扩展。\n 针对支持向量机回归问题的一些不足之处，本文对支持向量机回归算法及其参数选择问题进行了研究，展开了以下工作：\n (1)首先对本文的研究背景进行了概述，阐明了支持向量机分类和回归问题的研究意义；对支持向量机学习和训练算法、模型和参数选择的相关研究现状进行了总结，并讨论了其存在的若干问题。\n (2)其次研究了支持向量机基本理论，重点讨论了支持向量机回归的基本问题和核函数的选择，针对核函数及其参数选择问题，在理论分析的基础上进行了实验，分析了不同核函数对回归预测的性能影响，表明高斯径向基核函数对解决回归问题具有良好的性能。\n (3)支持向量机回归的快速训练算法和改进的支持向量机回归算法的研究。\n 本文第三章研究了支持向量机的快速训练算法和各种新的回归算法，并对其进行了分析和比较。针对支持向量机解决大规模样本回归问题时训练时间长、占用内存大的缺点，引入了一种新的基于L2范数误差的软间隔支持向量机回归算法，采用基于SMO算法的思想来求解回归对偶问题，推导出了新的停机条件和基于二阶导数信息的工作集选择准则，该算法是一种快速的支持向量机回归算法，简称为“FL2-SVR”，算法的求解过程简化了KKT条件，采用二阶导数信息的工作集选择和优化方法大大加快了目标函数的收敛性，因此提高了SVM回归的运算速度。\n 通过在不同的数据集上的实验结果，表明了FL2-SVR算法是一种快速的回归算法，并且具有良好的预测性能；在处理较大规模样本时，与传统的SVM回归算法相比，在保证预测精度的情况下，大大缩短了支持向量机学习和训练的时间，对于提高支持向量机在大规模回归数据中的应用具有重要的意义。\n (4)支持向量机回归的模型参数选择和优化的研究及应用。\n 模型选择是支持向量机一个重要的研究方向，核函数以及参数的选择都对支持向量机回归模型的训练速度和预测精度至关重要。不同的参数设置对支持向量机回归的性能有很大的影响，在训练前需要事先确定回归模型的参数，如核半径σ，和惩罚参数C和不敏感损失因子等，这些参数很难通过先验知识来确定。因此，支持向量机回归的参数选择和优化仍然是难以解决的难题。智能优化技术则为支持向量机参数优化问题提提供了良好的解决方案；其中差分演化算法是一种新的的高度并行、自适应的优化搜索算法，该算法有更好的鲁棒性和更快全局搜索能力。\n 本文第四章首先通过实验分析了支持向量机回归参数对模型的性能影响，对差分演化算法优化支持向量机参数的方法进行了尝试性的研究，提出了一种基于差分演化优化支持向量机回归参数的算法“DE-SVR”；在标准数据集上的进行了应用研究，结果表明该算法能够获得比基于遗传算法的SVR参数优化方法和传统参数选择方法更好的回归性能。表现在：DE-SVR算法的收敛速度明显快于GA-SVR算法，得到的SVR模型具有更高的预测精度；同时，其参数搜索的速度比传统的穷举搜索法效率更高，回归预测的精度可与其相比。因此，本文提出的基于差分演化的参数优化算法是一种有效的选择支持向量机回归参数的新方法。\n 最后对本文的主要工作进行了总结，得出了重要结论，并分析本文研究的不足之处，对今后关于支持向量机回归方面的研究工作进行了展望。

关键词：机器学习支持向量机回归算法参数优化

来源：评论

学校读者我要写书评

暂无评论

增量支持向量机回归算法及其应用研究

增量支持向量机回归算法及其应用研究

引用

作者：张仕华湘潭大学

学位级别：硕士

支持向量机(SVM)是九十年代中期发展起来的新的机器学习技术，与传统的神经网络(NN)技术不同，SVM是以统计学习理论(SLT)为基础，NN是以传统统计学理论为基础。传统统计学的前提条件是要有足够多的样本，而统计学习理论是着重研究小样... 详细信息

支持向量机(SVM)是九十年代中期发展起来的新的机器学习技术，与传统的神经网络(NN)技术不同，SVM是以统计学习理论(SLT)为基础，NN是以传统统计学理论为基础。传统统计学的前提条件是要有足够多的样本，而统计学习理论是着重研究小样本条件下的统计规律和学习方法的，它为机器学习问题建立了一个很好的理论框架。实践表明，建立在(SLT)之上支持向量机不仅结构简单，而且技术性能尤其是推广能力明显提高，能够解决好大量实践中的小样本学习问题，它是一个全新的人工智能技术。目前，SVM己成为国际上机器学习领域新的研究热点。本文首次提出增量支持向量机算法的回归模型，并对其进行应用研究。\n 论文的主要工作可归纳如下：\n 首先，第一章简要介绍了机器学习的缺陷，而统计学习理论的发展，导致了支持向量机的诞生，分析了支持向量机与神经网络的差异，并指出了研究和应用支持向量机的必要性和重要性以及现有支持向量机的研究成果和存在的不足，提出了本文的研究内容及目的和意义。第二章探讨了支持向量机理论基础，对支持向量机的传统模型进行了系统的阐述，为增量支持向量机的产生奠定了理论基础。\n 其次，第三章对支持向量机的回归进行了理论的推导和分析，并对损失函数进行了理论解释，对核函数和高维空间映射进行阐述。第四章对内点算法和子集选择算法进行了较为深入的阐述，为增量回归算法的建立奠定基础。\n 再次，为了进一步提高支持向量机的通用性以及推广能力、应用能力、回归速度等性能，第五章提出了增量支持向量机回归算法，并且选择了核函数的具体形式。\n 最后，在第六章中，在常规SVM基础上提出了增量回归算法，对算法进行实现和实验研究，用实验结果来证明算法的有效性和优越性，并把算法应用到高聚物的结构性能关系模型求解中，体现其应用价值。

关键词：支持向量机神经网络机器学习增量学习回归算法

来源：评论

学校读者我要写书评

暂无评论

基于无界样本的一类回归算法的收敛性分析

基于无界样本的一类回归算法的收敛性分析

引用

作者：高佳静对外经济贸易大学

学位级别：硕士

统计学习理论在上世纪60年代末提出，该理论研究了有限样本的条件下机器学习的规律，而回归算法作为统计学习理论中的一类重要算法，一直以来都得到大量的关注。在对回归算法的理论分析中，一个基本假设是要求输出变量是一致有界的，即... 详细信息

统计学习理论在上世纪60年代末提出，该理论研究了有限样本的条件下机器学习的规律，而回归算法作为统计学习理论中的一类重要算法，一直以来都得到大量的关注。在对回归算法的理论分析中，一个基本假设是要求输出变量是一致有界的，即要求存在M>0，使得|y|≤M几乎处处成立，在一致有界的假设条件下，除常用的最小二乘回归外，包括支持向量机回归、分位数回归等众多算法都已经得到充分的研究并得到令人满意的效果，但该假设却将最为常见的高斯噪声排除在外，因而极大地限制了算法的应用范围。　　本文对无界取样下的一类广泛的回归算法进行了研究，在其损失函数满足李普希兹条件这一统一的框架下，不仅整理了这一类算法的常用损失函数，计算求得他们的李普希兹常数，并且通过对这一类算法的误差分解，对其收敛性进行分析，最终通过迭代的方法获得其显式学习率，建立起强有力的收敛性结果。

关键词：回归算法收敛性损失函数无界样本

来源：评论

学校读者我要写书评

暂无评论

基于回归算法的机载气象雷达高空冰晶检测方法研究

基于回归算法的机载气象雷达高空冰晶检测方法研究

引用

作者：孙研中国民航大学

学位级别：硕士

高空冰晶是影响航空运行安全的危害性天气现象之一,特别是在热带和亚热带地区,喷气式发动机在深对流区域附近极易受到冰晶结冰的影响。此外,高空冰晶会导致大气数据传感器堵塞进而无法正常工作,造成飞机失控,航空领域已经高度关注这一... 详细信息

高空冰晶是影响航空运行安全的危害性天气现象之一,特别是在热带和亚热带地区,喷气式发动机在深对流区域附近极易受到冰晶结冰的影响。此外,高空冰晶会导致大气数据传感器堵塞进而无法正常工作,造成飞机失控,航空领域已经高度关注这一问题。不同浓度的高空冰晶会对飞机造成不同程度的影响,依据高空冰晶浓度的分布进行危险性评判可引导飞机采取不同的飞行策略。机载气象雷达是飞机探测危险气象保障飞机安全运行的重要监视设备,但其尚不具备冰晶危险等级划分及区域告警功能。因此依据高空冰晶的浓度分布对其进行检测及危险评估具有重要的现实意义。回归算法在气象领域应用广泛,其能够利用气象目标的多种关键特征参数实现对于未知参数的准确估计,常用于气象领域中对降雨量、风速等进行预测或估计,这为回归算法应用于高空冰晶浓度估计,从而实现检测及危险评估提供了理论支持。目前,将回归算法应用于机载气象雷达高空冰晶检测的研究尚属空缺,因此开展基于回归算法的机载气象雷达高空冰晶检测技术的研究具有非常重要的意义。本论文在分析高空冰晶检测研究进展及解决思路基础上,分析讨论了回归算法在气象领域的应用,提出了基于回归算法的机载气象雷达高空冰晶检测方法,具体工作如下:首先,利用气象数值模拟工具得到的冰晶气象环境仿真数据,以及利用气象雷达回波仿真得到的雷达回波数据,建立包括雷达反射率因子、高度、温度和冰晶冰水含量真值等在内的数据集,为后续研究提供了数据支持。其次,针对典型深对流区域的高空冰晶检测问题,提出一种基于多重多元回归的单一模型高空冰晶检测方法。分析验证了将回归算法引入高空冰晶检测的可行性。该方法将冰晶样本的冰水含量估计问题转化为多自变量对多因变量的多重多元回归预测问题,以进一步实现高空冰晶检测。仿真实验表明,在典型深对流区域气象场景下,该方法可有效的估计高空冰晶的冰水含量,实现冰晶检测,相比于仅利用雷达反射率因子的检测方法,结果更为准确。最后,考虑飞机远距离飞行时会穿越多种类型气象条件的实际情况,结合不同气象场景下,由于气象环境的巨大差异性导致样本之间差异较大或数据结构不同,单一回归模型下的检测性能和鲁棒性变差的问题,提出了一种基于多回归模型融合的高空冰晶检测方法。该方法将模型融合的思想引入高空冰晶检测中,通过将多种不同的回归算法融合,最终提高整体模型框架下的冰晶冰水含量估计性能,增强高空冰晶检测能力。针对不同气象场景的仿真实验分析证明了该方法的有效性和稳定性。

关键词：高空冰晶冰水含量回归算法冰晶检测

来源：评论

学校读者我要写书评

暂无评论

基于密度分布的半监督回归算法研究

引用

工矿自动化 2012年第3期38卷 29-30页

作者：张倩李明王雪松中国矿业大学信电学院江苏徐州221116

提出了推导密度函数的基本假设,对密度函数进行了推导,通过密度函数实现了密度区域的划分;对同一密度范围内的未标签值标记的估计给出了具体的处理方法;最后介绍了基于密度分布的半监督回归算法的具体实现步骤。该算法实现了对未标签点... 详细信息

提出了推导密度函数的基本假设,对密度函数进行了推导,通过密度函数实现了密度区域的划分;对同一密度范围内的未标签值标记的估计给出了具体的处理方法;最后介绍了基于密度分布的半监督回归算法的具体实现步骤。该算法实现了对未标签点的标记,能够减小对未标签点标签值的估计误差,提高估计的准确度。

关键词：机器学习半监督学习回归算法密度分布

来源：评论

学校读者我要写书评

暂无评论

软件质量分类动态综合评价方法中的回归算法研究

软件质量分类动态综合评价方法中的回归算法研究

引用

作者：张丹中国航天第二研究院

学位级别：硕士

随着软件在航天系统的重要程度越来越大，软件的质量也成为人们关心的重要问题，软件质量评价是软件质量的重要保证。如何对软件的质量进行合理的评价，准确的计算评价软件质量的指标系数是软件质量评价的重要内容。在对软件质量评价方... 详细信息

随着软件在航天系统的重要程度越来越大，软件的质量也成为人们关心的重要问题，软件质量评价是软件质量的重要保证。如何对软件的质量进行合理的评价，准确的计算评价软件质量的指标系数是软件质量评价的重要内容。在对软件质量评价方法深入研究的基础上，探索合适的软件质量评价的计算方法，辅助相关人员量化软件质量，针对软件质量评价结果得到提高软件质量的方法。\n 论文首先围绕着论题的选择以及研究的价值进行探讨，论述软件质量以及配套评价工作的基础定义，简要介绍有关评价模型的实际发展状况，同时较为详尽的论述了几类相对常见的评价模型。指出了现有的软件质量评价模型存在的问题，论述了软件质量评价与软件质量评价模型的关系。简要介绍了软件的质量度量元和软件度量的综合评价方法，并在此基础上对软件质量评价方法进行了改进。提出了基于样本匹配的分类动态综合评价方法，针对综合评价方法中如何对样本集进行回归计算得到评价系数的问题提出了具体计算算法。\n 本文将综合评价方法中回归计算评价系数的过程抽象化为一个多元非线性的数学模型，并将求解该数学模型的过程转化为一个求解线性约束下凸规划最优解的问题。提出了一种基于线性规划理论的能够在有限步内精确求解凸规划问题的算法，该算法通过查找约束条件构成的凸多面体的顶点，并能够保证查找途径的最优性，可以在约束条件构成的凸多面体的棱上求解出问题的相对最优解。通过该算法可以根据度量问题的历史评价数据在有限步内对度量元的评价系数进行求解计算，得到评价模型的各度量元的权重系数。文中最后对算法进行了实验验证，实验结果表明算法能够寻找一条达到相对最优解的最佳途径，能够准确快速的计算出软件质量评价模型中的度量系数。

关键词：软件开发质量评价回归算法线性规划理论

来源：评论

学校读者我要写书评

暂无评论

基于一类分类的线性规划支持向量回归算法

基于一类分类的线性规划支持向量回归算法

引用

作者：高采葵辽宁师范大学

学位级别：硕士

支持向量机(Support Vector Machine,简称SVM)是以统计学习理论(Statistical Learning Theory,简称SLT)为基础的优秀算法。此理论是专门针对小样本情况的统计学原理。传统的统计方法会出现“过学习”等问题,这是由于传统的统计方法基于... 详细信息

支持向量机(Support Vector Machine,简称SVM)是以统计学习理论(Statistical Learning Theory,简称SLT)为基础的优秀算法。此理论是专门针对小样本情况的统计学原理。传统的统计方法会出现“过学习”等问题,这是由于传统的统计方法基于的统计学原理都是将样本数据近似看成无穷大,但实际情况中样本数据是有限的。所以统计学原理与它们相比,更适应现实中的实际问题。在此理论上建立的支持向量机泛化能力更好。而核函数思想的引入,不仅解决了非线性情况,更避免了“维数灾难”,降低了实际的运算难度。支持向量机提出是针对二值分类问题,由于其良好的表现,人们逐渐将其推广到其它分类和回归领域。目前在分类方面的研究已经相对完善,而回归方面还在不断完善。支持向量回归机研究中较重要的一项就是改进算法。由于支持回归机是在支持向量分类机的基础上发展而来的,二者有密切的内在联系,我们以二值分类和回归为例证明了这种理论上的等价性。基于此我们可以将已有的分类算法应用到回归问题中,变成一种新的回归算法。本文就是应用这种思路提出一种新的算法。本文提出的新算法是以一类分类思想为基础的。一类分类算法是一种较特殊的分类问题,它是针对异常值检测的。而基于这种分类算法的新算法,是一种线性规划回归算法,与那些基于二次规划的算法相比,运算速度更快。我们通过正弦函数、混沌时间序列这两个实验,将新算法与标准支持向量回归法、最小二乘支持向量回归法、线性规划支持向量回归法比较,发现新算法的泛化能力要优于另外三种算法,从而证明新算法是有效的和可行的。新算法的提出体现了一类分类和回归之间的关系,帮助我们更直观地理解支持向量回归机的几何意义,启发我们可以尝试将更多的分类算法应用到回归问题中。

关键词：支持向量机线性规划分类算法回归算法一类分类

来源：评论

学校读者我要写书评

暂无评论

回归算法与粒子群算法融合算法的光伏系统多峰值MPPT研究

引用

现代电子技术 2022年第15期45卷 146-150页

作者：叶国敏肖文波吴华明南昌航空大学无损检测技术教育部重点实验室江西南昌330063 江西省光电检测技术工程实验室江西南昌330063

局部遮荫下光伏阵列输出功率呈现多峰值,传统最大功率点跟踪算法常失效。为了提高发电的效率和稳定性,提出一种回归算法与粒子群算法融合的最大功率跟踪方法,该方法利用线性回归的预测性、泛化能力强的特点,改进粒子群算法初始化中的粒... 详细信息

局部遮荫下光伏阵列输出功率呈现多峰值,传统最大功率点跟踪算法常失效。为了提高发电的效率和稳定性,提出一种回归算法与粒子群算法融合的最大功率跟踪方法,该方法利用线性回归的预测性、泛化能力强的特点,改进粒子群算法初始化中的粒子随机性、易陷入局部极值的问题,并应用于局部遮荫下光伏阵列(单、多晶硅)最大功率点跟踪。通过实验与理论研究,首先发现随着训练集的增加,该方法跟踪性能呈现先上升后平缓趋势下降,且训练集比例选取总数据的55%~75%之间,跟踪性能最佳;其次,发现单(多)晶硅电池最佳跟踪精度分别为99.13%(99.16%),对比遮荫对电池最大功率影响,说明该方法具有普适性;最后,与粒子群算法和遗传算法相比,跟踪精度都提高了,且方差为零,表明该算法的精度高和鲁棒性强。结果表明,该方法具有普适性、精度高和鲁棒性强等优点。

关键词：光伏阵列光伏发电局部遮荫多峰值最大功率点跟踪粒子群算法回归算法控制算法

来源：评论

学校读者我要写书评

暂无评论

基于回归算法的证件物品识别器参数辨识模型

引用

信息技术 2021年第1期45卷 136-141页

作者：尚宝麒大港油田信息中心天津300280

证件物品管理识别器参数辨识存在局部最优现象,噪声干扰下辨识精度下降,提出基于回归算法的证件物品管理识别器参数辨识模型。将证件物品管理识别参数输出误差平方和,代入粒子群算法适应度函数,通过粒子群优化算法实时更新粒子个体最优... 详细信息

证件物品管理识别器参数辨识存在局部最优现象,噪声干扰下辨识精度下降,提出基于回归算法的证件物品管理识别器参数辨识模型。将证件物品管理识别参数输出误差平方和,代入粒子群算法适应度函数,通过粒子群优化算法实时更新粒子个体最优值以及全局最优值,初步辨识证件物品管理识别器参数,并将所获取结果作为支持向量回归算法迭代初始值,利用支持向量回归算法,最终辨识证件物品管理识别器参数。模型测试结果表明,采用该模型可有效辨识证件物品管理识别器参数,参数辨识精度高达99%以上,且噪声干扰情况下仍具有较高的辨识精度。

关键词：回归算法证件物品识别器参数辨识粒子群算法

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：