基于自适应边界向量提取的多尺度v-支持向量机建模
CSTR:
作者:
作者单位:

辽宁石油化工大学信息与控制工程学院,辽宁抚顺113001.

作者简介:

苏成利

通讯作者:

中图分类号:

TP181

基金项目:

国家自然科学基金项目(61203021);辽宁省科技攻关项目(2011216011).


Multiscale v-support vector machine modeling based on adaptive boundary vector extraction
Author:
Affiliation:

School of Information and Control Engineering,Liaoning Shihua University,Fushun 113001,China.

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??-支持向量机(v-SVM) 用于大规模、多峰样本建模时易出现训练速度慢和回归精度低的问题, 提出基于边界向量提取的多尺度v-SVM 建模方法. 该方法采用一种自适应边界向量提取算法, 从训练样本中预提取出包含全部支持向量的边界向量集, 以缩减训练样本规模, 并通过求解多尺度v-SVM 二次规划问题获取全局最优回归模型,从多个尺度上对复杂分布样本进行逼近. 仿真结果表明, 基于边界向量提取的多尺度v-SVM 比v-SVM 具有更好的回归结果.

    Abstract:

    A multiscale v-support vector machine(v-SVM) based on adaptive boundary vector extraction is presented. It overcomes the disadvantages of the slow training speed and the low regression accuracy which are caused by using the general v-SVM for large-scale and multi-peak sample modeling. An adaptive boundary vector extraction algorithm is used to extract the boundary vectors which include all support vectors from the training samples, so that reduces the sample scale. The global optimal regression model is obtained by solving the multiscale v-SVM quadratic programming problems, and the complex distribution sample can be approximated from multiple scales by the model. Simulation results show that the v-support vector machine based on boundary vector extraction has better regression results than the general v-SVM.

    参考文献
    相似文献
    引证文献
引用本文

苏成利 郑博元 李平.基于自适应边界向量提取的多尺度v-支持向量机建模[J].控制与决策,2015,30(4):721-726

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:2014-01-08
  • 最后修改日期:2014-04-24
  • 录用日期:
  • 在线发布日期: 2015-04-20
  • 出版日期:
文章二维码