基于自优化的多属性高斯核函数相关向量机方法

发布时间：2018-04-04 16:12

  本文选题：相关向量机　切入点：多属性　出处：《华南理工大学学报(自然科学版)》2017年01期

【摘要】：在相关向量机的预测模型中,核函数的选择和核参数的取值对模型预测性能影响很大.针对这一问题,文中采用多属性高斯核函数建立相关向量机预测模型,提出了一种自优化的核参数学习方法进行参数优化,并将该模型用于二维标准函数预测和污水处理系统出水水质预测,与不同核函数下的相关向量机模型以及不同参数优化方法下获得的预测模型进行了对比实验.结果表明,基于自优化的多属性高斯核相关向量机模型对低维数据的参数敏感度较低,对高维数据有良好的输出精度和稀疏性,在污水出水水质预测中获得比较满意的结果.
[Abstract]:In the prediction model of correlation vector machine, the choice of kernel function and the value of kernel parameter have great influence on the prediction of the model.To solve this problem, a prediction model of correlation vector machine is established by using multi-attribute Gao Si kernel function, and a self-optimizing kernel parameter learning method is proposed to optimize the parameters.
【作者单位】： 华南理工大学自动化科学与工程学院;
【基金】：广东省科技计划项目(2016A020221008,2016B090927007) 广州市科技计划项目(201604010032)~~
【分类号】：X703;TP18
，

本文编号：1710699