基于压缩感知的多尺度最小二乘支持向量机

发布时间：2017-11-12 09:28

  本文关键词：基于压缩感知的多尺度最小二乘支持向量机

  更多相关文章： 最小二乘支持向量机 压缩感知 多尺度小波核 稀疏化 函数回归

【摘要】：提出一种基于压缩感知(Compressive sensing,CS)和多分辨分析(Multi-resolution analysis,MRA)的多尺度最小二乘支持向量机(Least squares support vector machine,LS-SVM).首先将多尺度小波函数作为支持向量核,推导出多尺度最小二乘支持向量机模型,然后基于压缩感知理论,利用最小二乘匹配追踪(Least squares orthogonal matching pursuit,LS-OMP)算法对多尺度最小二乘支持向量机的支持向量进行稀疏化,最后用稀疏的支持向量实现函数回归.实验结果表明,本文方法利用不同尺度小波核逼近信号的不同细节,而且以比较少的支持向量能达到很好的泛化性能,大大降低了运算成本,相比普通最小二乘支持向量机,具有更优越的表现力.
【作者单位】： 海南医学院信息技术部;中国地质大学(武汉)数学与物理学院;
【基金】：国家自然科学基金(11301120)资助~~
【分类号】：TN911.7;TP18
【正文快照】： 支持向量机(Support vector machine,SVM)[1]是在统计学习理论发展起来的一种实用方法,是专门针对小样本情况下机器学习问题而建立起来的一套新的理论体系,基于结构风险最小化原则,在模式识别和机器学习领域占有非常重要的地位.最小二乘支持向量机(Least squares support vect

【相似文献】

中国期刊全文数据库 前10条

1 胡雷;林岳松;郭云飞;;约束总体最小二乘空间配准算法[J];火力与指挥控制;2011年10期

2 王q蕅，

本文编号：1175324