基于奇异值分解及PRESS 统计的模型结构优化方法
DOI:
CSTR:
作者:
作者单位:

1. 大连理工大学电子与信息工程学院
2. 大连理工大学电信学院

作者简介:

韩敏

通讯作者:

中图分类号:

基金项目:

国家自然科学基金


Model structure optimization based on SVD and PRESS statistic
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对线性参数模型的基函数选择问题, 结合奇异值分解和PRESS 统计提出一种模型结构优化算法. 通过预
    先对候选基函数矩阵进行分块操作, 减少非最优列间的重复比较. 在此基础上, 对各子块采用奇异值分解与PRESS
    统计相结合的方法进行选择, 直接以模型的泛化能力作为目标, 自适应地选择基函数. 通过奇异值分解, 在降低候选
    基函数数量的同时, 使其彼此之间相互正交, 有效地简化了PRESS 统计的计算复杂度. 仿真结果表明, 所提出的方法
    能够有效简化模型结构, 并保持较高的预测精度.

    Abstract:

    Focusing on the problem of the basis functions selection for the linear-in-the-weights regression models, this
    paper proposes a model structure optimization algorithm based on singular value decomposition(SVD) and PRESS(predicted
    residual sums of squares) statistic. By dividing the original candidate matrix into several parts firstly, the comparison among
    poor candidate regressors is avoided. Based on this operation, the SVD and PRESS statistic are applied to each sub-block for
    candidate regressors selection. The generalization error of the model is taken as the direct target, and the candidate regressors
    are selected in an adaptively manner. By using SVD, the number of the candidate regressors is reduced and the regressors
    are orthogonal with each other, which effectively reduces the computation burden of the PRESS statistic. Simulation results
    show the effectiveness of the proposed method.

    参考文献
    相似文献
    引证文献
引用本文

李德才 韩敏.基于奇异值分解及PRESS 统计的模型结构优化方法[J].控制与决策,2012,27(8):1273-1276

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2010-12-29
  • 最后修改日期:2011-03-26
  • 录用日期:
  • 在线发布日期: 2012-08-20
  • 出版日期:
文章二维码