排序方式: 共有3条查询结果,搜索用时 62 毫秒
1
1.
2.
加权支持向量机回归算法,几乎都是以样本输入空间中的一个重要特征量的函数来确定权值,造成了在高维特征空间中作回归可能存在较大误差。针对这一问题,提出利用高维特征空间中的欧基里德距离来确定权值的方法,构造了一种改进的加权支持向量机回归算法,并将其应用到电子器件高功率微波易损性评估中。仿真结果表明:该方法具有比模糊神经网络法、标准支持向量机回归算法和一般的加权支持向量机回归算法更高的预测精度。由于增加了权值的计算过程,相对于标准支持向量机回归和模糊神经网络方法,该方法的效率较低,但与一般的加权支持向量机回归算法相当。 相似文献
3.
针对现有的以概率统计理论为基础的方法和模糊神经网络法必须建立在大量统计数据基础之上,以及模糊信息扩散估计法可能对器件失效阈值估计过高的问题,提出将模糊信息处理技术用于对原始实验数据的处理,得到训练样本,在此基础上利用支持向量机回归预测一定功率的高功率微波辐照条件下电子器件的损伤概率。仿真结果表明:该方法与模糊神经网络法都较好地给出了预测结果,但该方法具有更高的精度(均方根误差为7.40610-5),并且克服了在样本数据减半的小样本情况下模糊神经网络法可能出现野值的缺陷。 相似文献
1