一种新的支持向量回归机的模型选择方法

针对支持向量回归机的模型选择问题,将模型选择问题转化为一个非线性系统的状态估计问题,然后引入无迹卡尔曼滤波进行求解,提出一种新的基于无迹卡尔曼滤波的模型选择方法(UKF-SVR).对标准数据集和太阳黑子数平滑月均值进行仿真实验,结果表明,UKF-SVR与粒子群算法相比,该方法全局寻优能力更强,保证了支持向量回归机泛化能...     

一种新的支持向量回归预测模型

综合最小二乘回归估计和支持向量机回归估计算法的各自在回归理论上的优势,通过理论推导,提出一种改进的支持向量机回归估计算法--SVR-LS方法.然后通过实验对比验证,发现新方法不但在拟合逼近方面有不错的效果,而且在回归估计方面,其学习速度和精度都要优于标准的支持向量机回归估计算法.     

关于支持向量机参数选择方法分析

在分析支持向量机(SVM)原理基础上,分析了SVM中核函数、核参数及惩罚参数C的影响。介绍了两种SVM参数选择方法,作了深入比较,并提出了一种改进的最优化方法。     

一种新的模糊支持向量回归方法

为克服传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计所带来的局限性问题,提出了基于样本到超平面距离的新隶属度函数设计方法。该方法从支持向量机的回归本质出发,通过更加合理地设计隶属度函数,提高支持向量机的回归的泛化鲁棒能力。仿真结果证明,该方法具有更好的鲁棒性,提高了模糊支持向量机的泛化能力。     

一种支持向量机的动态自适应加权算法

针对现有回归型加权支持向量机直接选择加权系数法存在的不足,提出了一种对加权系数进行寻优的新方法——动态自适应加权算法.通过对权系数进行的自适应迭代调整,以确定其最优值,并进行了实验仿真.仿真结果表明：采用该方法确定的最优加权系数,可以对预测样本数据进行更准确的回归估计.     

一种新的支持向量回归预测模型

采用支持向量机理论建立了一种新的支持向量回归预测模型,模型的求解可转化为二次规划问题,并能实现模型参数的自动选择,运用MATALAB软件进行编程实现.用此模型对我国财政收入问题进行了预测,并与统计回归模型进行了比较,结果表明了该模型具有较好的预测效果和概化能力.     

一种新的支持向量回归预测模型

运用支持向量机（SVM）理论，建立了一种新的支持向量回归（SVR）预测模型.模型的求解可转化为二次规划问题，并能实现模型参数的自动选择.用此模型对我国粮食产量增长率的预测表明，模型具有较好的概化能力.     

加权支持向量回归在线学习方法

在标准支持向量回归在线学习的基础上,提出了一种加权支持向量回归在线学习方法(WOSVR),即加权支持向量机中针对不同样本点使用不同惩罚系数C,且不同惩罚系数C反映了样本重要性的不同,WOSVR中近期数据重要性大于历史数据重要性.使用基准数据Mackey-Glass混沌序列进行了相关验证实验.结果表明,加权支持向量回归在线学习方法能有效修改模型.     

支持向量回归多参数的同时调节

参数调节问题是支持向量回归的基本问题.已有的参数调节方法主要采用内外双层优化框架,调节过程中,训练学习器与更新超参数交替进行.这种嵌套结构具有较高的计算复杂性.针对这一问题,提出了支持向量回归多参数的同时调节模型.首先,将Lagrange乘子、惩罚因子、不敏感度参数和核函数参数合并为一个参数向量,推导出支持向量回归问题的一个新的表示形式,可将原来分离的双层调节过程整合为一个单层调节过程.然后,应用贯序无约束极小化技术(SUMT),将支持向量回归问题转化为多元无约束优化问题.在此基础上,应用变尺度方法(VMM)设计、分析并实现了一个同时调节算法.最后,通过标准数据集上的实验,验证了同时调节算法的收敛性,并比较了同时调节算法与常用调节算法的有效性和计算效率.理论分析与实验结果表明,同时调节模型是一正确且有效的多参数调节模型.     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.     

食品比热容的支持向量回归预测

利用粒子群优化算法和支持向量回归方法建立不同食品的比热容与其水、蛋白质、碳水化合物和脂肪等含量间的预测模型,且在相同的训练样本和测试样本条件下,该预测模型的食品比热容预测精度高于反向传播神经网络模型,具有更强的泛化能力。结果表明：该预测模型能有效地预测食品比热容。     

应用于窄带干扰抑制的支持向量机方法

抑制扩频系统窄带干扰的传统方法多数是采用自适应LMS滤波来预测窄带干扰以及减少在解扩前对接受到的信号的预测干扰信号．但是由于这些方法不考虑复杂度的控制以及不能保证全局最小值,所以它们的性能不稳定．提出一种窄带干扰抑制的新方法——支持向量回归方法．它可以替代LMS滤波器用来预测窄带干扰．采用实际参数选择法则,它不但有效而且容易操作．通过计算机仿真可以看出,在多数情况下它比传统方法的性能优越,这表明它是一种对于扩频系统中窄带干扰的抑制的好方法．     

支持向量机的聚类补偿研究

主要研究支持向量机方法与聚类算法的配合问题.支持向量机的训练代价太大,如果直接把成千上万个特征向量直接用作训练,运算时间难以忍受.采取的策略是用聚类算法获得较少的聚类中心,然后将聚类中心作为支持向量机的训练样本.事实上,这样的组合方式有待改进.每一聚类的样本数有多有少,所以每一个聚类中心所体现出来的权重不一样.反映在支持向量机的算法中,改进思路为:在支持向量机的训练中,除了原有点以外,加入人工样本点,人工样本点的位置就是这些原有点之一,各个位置的数量与聚类大小成比例.     

云计算环境的并行支持向量机

针对基于GPU和MPI并行的支持向量机（SVM）算法不适合于云计算环境,设计了一种基于多级SVM的并行支持向量机模型,实现了云计算环境下的序列最小优化（SMO）的并行算法。该算法通过MapReduce系统将大规模训练数据集划分为若干小训练集,再由这些小训练集开发多级的SVM,最后收集每一个SVM最优超平面附近的样本数据来训练另一个新的SVM。实验结果表明,该算法在时间消耗与分类正确率等综合方面比单机算法和传统并行算法获得更好的效果。     

基于支持向量机的图像检索主动学习方法

为解决基于内容的图像检索中训练集样本过小问题,本文提出一种结合相关反馈和支持向量机的主动学习算法,首先计算未标注样本到分类超平面的距离以及与当前训练集中样本的余弦距离和,然后取具有总的最大余弦距离同时到超平面距离最短的样本加入训练集,通过增加最具信息的样本到训练集,使得分类器可通过少量反馈次数而快速达到较高的准确性.试验表明,本文算法能有效提高分类器的分类精度和泛化能力,在减少评价样本数量的前提下,可快速收敛于用户定义的目标查询概念.     

基于LS-SVM方法的晴空逐时太阳辐射模型

利用浙江省杭州和椒江两站2003-2005年的晴空逐时气象数据,采用最小二乘支持向量机方法(LS-SVM),建立了晴空逐时太阳辐射模型.模型的输入因子为逐时天文辐射、气温、气压、水汽压、能见度和风速等要素,输出因子为逐时太阳辐射.模型数据分为2部分,其中2003年的数据用于训练建模,2004-2005年的数据用于模型的评估.结果表明,LS-SVM方法能够很好地模拟气象要素对太阳辐射的非线性影响,建立的太阳辐射模型精度较高,模型的解释性方差R2为0.950 5,均方根误差ERMS-0.159 0 MJ·m-2,平均误差EMB和平均绝对误差EMAB分别为0.005 3和0.124 1 MJ·m-2.根据浙江省68个气象站2005-12-15T14:00的气象要素,估算出的太阳辐射为1.39～2.24 MJ.m-2.基于LS-SVM方法的晴空逐时太阳辐射模型具有很好的学习推广能力,利用常规的气象观测资料,即可模拟出具有相似气候背景下的晴空逐时太阳辐射,为太阳辐射遥感反演提供地面数据.     

回归模型的相关性检验

基于经验似然的方法构造了检验统计量,对非参数回归模型中的误差进行了相关性假设检验,获得了零假设下检验统计量的渐近分布为χ2分布.模拟计算表明相关性假设检验的经验似然方法具有较好的功效.     

非共同支撑回归模型中参数估计的Bahadur渐近有效性

对于具有非共同支撑误差分布的线性回归模型，在可以重复观测的条件，导出了回归参数估计的Bahadur界，并基于该Bahadur界定义了Bahadur渐近有效估计的概念。最后，利用极值统计量构造了相应的Bahadur渐近有效估计。     

基于截断数据三角级数回归估计

将截断数据回归模型转化成半参数回归模型，基于半参数回归模型，用三角级数法估计未知参数β及ｆ。对误差分布未作任何假定，在很一般的条件下，证明了估计量β及ｆｍ（ｔ）具有均方相合性及几乎处理处处收敛性，同时证明了β具有渐近正态性，估计的表达式较为简单，实用。     

SVM在电子邮件自动分类系统中的应用

随着电子邮件数量的增多,如何对电子邮件进行有效的分类,工且过滤出垃圾邮件,成为一个令很多用户烦恼的问题．本文设计并初步实现了一个基于支持向量机的自动邮件分类系统．该系统位于邮件客户端,能对已有邮件样本进行自主学习,并自动从邮件服务器接收新到邮件进行分类和垃圾过滤．