支持向量回归机理论及其工业应用研究
【摘要】:基于数据的机器学习是现代智能信息处理技术十分重要的一个方面,主要研究如何从一些观测数据出发得出目前尚不能通过原理分析得到的规律,从而利用这些规律去分析、认识客观对象,并对未来数据或无法观测的数据进行预测。
支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法。它最先由Vapnik及其合作者在20世纪90年代提出,近年来无论是从理论研究、算法实现还是应用方面都有了突飞猛进的发展。
然而,作为一种相对年轻的技术,支持向量机在许多方面仍不完善。因此进一步发展和完善支持向量机的理论和方法,以及拓展支持向量机在实际中的应用范围具有十分重要的意义。本文针对支持向量回归机理论和应用两方面进行研究和探索,主要工作包括以下几个方面:
1)提出了一种基于信息几何的支持向量回归机核函数构建算法。支持向量机的性能在很大程度上依赖于核函数的选取,然而目前对于核函数的选择还缺乏理论指导。在从信息几何角度分析核函数几何结构的基础上,提出一种核函数构建算法,使得核函数能充分利用样本数据的信息,从而提高支持向量回归机的性能;在钢水温度预报中的应用表明了方法的有效性。
2)证明了核框架下SILF-SVR与普通Kriging的等价性关系。从数值分析的角度看,支持向量回归机是一种数据插值方法。在给出一种由新的“统一”损失函数(SILF)得到的支持向量回归机的“统一”表达式(SILF-SVR)后,证明了其与另一种数据插值方法——普通Kriging的等价性;并根据两者的等价性关系给出一种核函数参数的选择方法。
3)提出了一种基于领域知识的支持向量回归机算法。标准的支持向量机是完全基于数据的,也即是说,由标准的支持向量机算法得到的模型与问题的领域知识无关,完全取决于训练数据本身。然而实际中我们总可以得到一定的领域知识,为了解决此问题,提出了一种集成领域知识的训练算法;在此基础之上给出了一种信息融合的框架。
4)研究了基于区间信息的支持向量回归机。在实际获取样本时,由于受到
|
|
|
|
1 |
谭振宇;杨明;;一种基于支持向量机的角点检测算法[J];电子测试;2011年01期 |
2 |
林长方;;支持向量机及其应用研究[J];和田师范专科学校学报;2010年05期 |
3 |
刘解放;侯振雨;吴亮;;支持向量机在模式识别和回归模型中的应用[J];河南科技学院学报(自然科学版);2007年04期 |
4 |
胡哲;郑诚;闵鹏鹏;;支持向量机及其应用研究[J];重庆科技学院学报(自然科学版);2008年02期 |
5 |
赵洪波;;基于遗传算法的进化支持向量机研究[J];绍兴文理学院学报(自然科学版);2004年03期 |
6 |
蒋刚,肖建,郑永康,宋昌林;基于支持向量机的一类水域叶绿素a浓度反演研究[J];计算机应用;2005年10期 |
7 |
李琳;张晓龙;;支持向量机学习方法的选择与应用[J];武汉科技大学学报(自然科学版);2006年01期 |
8 |
谢铮桂;;基于多分类支持向量机的中医舌诊诊断的研究[J];计算机与数字工程;2008年11期 |
9 |
王源;陈亚军;;基于核的支持向量机构造方法的研究[J];微机发展;2005年12期 |
10 |
汪洋;鲁加国;张长耀;;基于支持向量机的极化SAR图像分类[J];无线电工程;2007年04期 |
11 |
洪宇光,李洁冰,王洪玉;SVM在阵列信号定位中的应用[J];计算机仿真;2004年06期 |
12 |
李卓,刘斌,刘铁男,朱秀华,魏坤;支持向量机及其在油田生产中的应用[J];大庆石油学院学报;2005年03期 |
13 |
刘解放;侯振雨;吴亮;;支持向量回归及其在农产品成分分析中的应用[J];广东农业科学;2007年12期 |
14 |
胡莹,王昱,丁明跃,周成平;一种改进的SVM相关反馈图像检索方法[J];计算机应用研究;2005年01期 |
15 |
李应红,尉询楷;支持向量机和神经网络的融合发展[J];空军工程大学学报(自然科学版);2005年04期 |
16 |
王国胜;;核函数的性质及其构造方法[J];计算机科学;2006年06期 |
17 |
薛宇玲;;支持向量机研究进展[J];榆林学院学报;2007年04期 |
18 |
杜晓东,李岐强;支持向量机及其算法研究[J];信息技术与信息化;2005年03期 |
19 |
张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期 |
20 |
张琨;曹宏鑫;严悍;刘凤玉;;支持向量机在网络异常入侵检测中的应用[J];计算机应用研究;2006年05期 |
|