依密度量化的最小二乘支持向量机

发布时间：2017-08-03 07:12

  本文关键词：依密度量化的最小二乘支持向量机

  更多相关文章： 最小二乘支持向量机 矢量量化 稀疏表示 依密度 大规模数据

【摘要】：本课题的主要目的在于提出一种有效的方法对最小二乘支持向量机(LS-SVM)进行稀疏化,降低其算法复杂度,以便于更加有效地训练规模较大的数据集。训练集的分布对于学习结果有着重要的影响,基于这一认识本文提出了一种依密度量化的矢量量化方案(DQS),并利用这一方案对输入数据进行采样。这一矢量量化方案被用作LS-SVM的预处理模块,从训练集中提取出有代表意义的训练子集。DQS的实现主要通过引入一个单一的收缩阈值,使得量化结果自适应于输入分布。通过这一方案,可以有效地减小训练数据集的规模。它更为重要的意义在于这样训练集规模的减小可以有效地减少在使用Nystro?m方法对特征进行估计时的计算量。利用基于量化所得训练子集所估计的特征对LS-SVM进行稀疏化,由此得到了一种新的算法:依密度矢量量化的最小二乘支持向量机(DQLS-SVM)。这一算法可以在原解空间内得到解析解。通过对合成数据、参照数据以及大数据的预测,实验结果显示DQLS-SVM与其他相关算法相比在保证性能的同时可以更加有效地进行计算。此外,非线性信道均衡的应用也体现了DQLS-SVM作为非线性滤波器的有效性能。
【关键词】：最小二乘支持向量机 矢量量化 稀疏表示 依密度 大规模数据
【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-18
• 1.1 支持向量机（SVM）9-14
• 1.1.1 线性SVM9-12
• 1.1.2 非线性SVM12-14
• 1.2 最小二乘支持向量机（LS-SVM）14-16
• 1.2.1 LS-SVM14-15
• 1.2.2 LS-SVM缺点15-16
• 1.3 课题的创新点16
• 1.4 章节预览16-18
• 第2章 稀疏LS-SVM算法18-23
• 2.1 修剪方法（pruning methods）18
• 2.2 低秩近似方法18-21
• 2.2.1 Nystrom方法18-19
• 2.2.2 固定大小LS-SVM（FSLS-SVM）19-21
• 2.3 小结21-23
• 第3章 采样方案23-31
• 3.1 最佳采样方案23-25
• 3.2 依密度矢量量化方案（DQS）25-30
• 3.3 小结30-31
• 第4章 依密度量化的最小二乘支持向量机(DQLS-SVM)31-42
• 4.1 DQLS-SVM31
• 4.2 泛化性能31-40
• 4.2.1 合成数据测试32-35
• 4.2.2 UCI数据集测试35
• 4.2.3 大规模数据测试35-40
• 4.3 模型参数的选取40-41
• 4.4 小结41-42
• 第5章 非线性信道的均衡42-47
• 5.1 方法42-44
• 5.1.1 正则化网络（RN）42-43
• 5.1.2 LS-SVM与RN43-44
• 5.1.3 核最小均方算法（KLMS）44
• 5.2 DQLS-SVM非线性信道均衡应用44-45
• 5.3 小结45-47
• 总结47-49
• 参考文献49-54
• 攻读学位期间发表论文与研究成果清单54-55
• 致谢55

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：613154