排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。所以在有噪声的情况下,Huber损失函数是比ε-不敏感损失函数更好的选择,在现实情况当中。基于此,本文提出了一种基于Huber损失函数的增量式Huber-SVR算法,该算法能够持续地将新样本信息集成到已经构建好的模型中,而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比,在对真实数据进行预测建模时,增量式Huber-SVR算法具有更高的预测精度。 相似文献
2.
针对过程数据存在异常值的问题,为了监控过程均值的偏移,采用中位数统计量(X)代替传统均值(X)统计量,提出了一种单边合格品链长X(Sided Sensitive Conforming Run Length X, SCRL & X)控制图。采用马尔科夫链方法研究了SCRL & X控制图的性能,首先推导出其一步状态转移矩阵,进一步根据马尔科夫链的性质得到其平均链长(Average Run Length, ARL)。为了获得控制图的最优设计参数和性能指标值,保证其处于过程受控状态下的性能,并使其处于过程失控状态下的平均链长最小。研究结果表明,提出的SCRL & X控制图的统计性能优于传统的双边合格品链长X(Conforming Run Length, CRL & X)控制图,尤其针对过程均值产生较小偏移的情形,其优势较为明显。 相似文献
3.
1