规则的多核学习支持向量回归算法

发布时间：2017-10-05 07:35

  本文关键词：规则的多核学习支持向量回归算法

  更多相关文章： 多核学习 加法规则 乘法规则 支持向量回归机 预测

【摘要】：核函数的选择与数据分布信息密切相关,为了避免单一核函数选择的盲目性,提高支持向量回归机的性能,提出一种基于规则的多核支持向量回归算法。算法采用基于加法规则或基于乘法规则来获取多核,增强了核函数的非线性和多样性,进而进行多核学习。UCI数据集上的实验结果表明,与传统的支持向量回归机相比,所提算法能有效提高模型的预测精度和泛化性能,有着更为客观的优势;对比基于加法规则和基于乘法规则的多核学习算法的实验预测结果,可知两者的预测精度和模型稳定性基本相当,证实了所提算法的有效性。
【作者单位】： 包头职业技术学院电气工程系;内蒙古科技大学机械工程学院;
【关键词】： 多核学习 加法规则 乘法规则 支持向量回归机 预测
【基金】：国家自然科学基金项目(21366017) 内蒙古科技大学科研启动项目(2014QDL024)
【分类号】：TP181
【正文快照】： 1引言基于统计学习理论的基础,支持向量机(support vectormachine,SVM)发展起来,SVM应用广泛,如机电产品再制造成本预测[1]和柴油机声品质预测[2]等。继SVM算法又提出了一种新的机器学习算法——支持向量回归机(support vector regression,SVR)[3]。SVR的求解采用二次规划(qua

【相似文献】

中国期刊全文数据库 前10条

1 赵旦峰;许聪;张杨;;基于固定半径包围球的核向量回归算法[J];系统工程与电子技术;2009年12期

2 孙德山;赵君;高懫葵;郑平;刘小菲;;基于一类分类的线性规划支持向量回归算法[J];计算机科学;2014年04期

3 何海江;何文德;刘华富;;集成最近邻规则的半监督顺序回归算法[J];计算机应用;2010年04期

4 张倩;李明;王雪松;;基于密度分布的半监督回归算法研究[J];工矿自动化;2012年03期

5 钟美霞;邢延;;产品能耗规律性提取的平稳化自回归算法[J];电脑编程技巧与维护;2012年22期

6 王浩亮;王丽莉;;基于成本代价的分布式逻辑回归算法在煤炭系统中的研究与应用[J];煤炭技术;2013年08期

7 孙德山;郭昶;徐婷;;基于一类分类的非线性回归算法[J];计算机工程与科学;2012年07期

8 罗泽举;朱思铭;;新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统[J];计算机科学;2005年08期

9 孙德山,吴今培,侯振挺,肖健华;单参数支持向量回归算法[J];系统工程学报;2005年01期

10 涂建平;蔡佳;;基于光滑化方法的支持向量回归算法[J];湖北大学学报(自然科学版);2006年01期

中国重要会议论文全文数据库 前1条

1 赵英刚;刘仰光;何钦铭;;一种区间型支持向量回归算法及其在网络信息挖掘中的应用[A];第25届中国控制会议论文集（中册）[C];2006年

中国博士学位论文全文数据库 前1条

1 郑逢德;支撑向量回归算法及其应用研究[D];北京工业大学;2012年

中国硕士学位论文全文数据库 前9条

1 董亚东;面向不平衡分类的逻辑回归算法[D];郑州大学;2015年

2 高采葵;基于一类分类的线性规划支持向量回归算法[D];辽宁师范大学;2015年

3 沈伟;几种逐步变量选择算法的探索与推广[D];山东大学;2016年

4 刘子阳;支持向量回归算法及应用研究[D];大连理工大学;2007年

5 张际雄;正则化回归算法学习速度的一种估计[D];杭州师范大学;2011年

6 方波;基于回归算法的测色仪器研究[D];华中科技大学;2006年

7 邵帅;基于CUDA的符号回归算法并行设计与实现[D];西安电子科技大学;2012年

8 周骥;在线学习及其在智能交通与金融工程中的应用[D];复旦大学;2011年

9 吴金花;加权支持向量回归算法研究[D];辽宁师范大学;2009年

，

本文编号：975562