本文關(guān)鍵詞：基于核密度分布的模糊雙支持向量回歸機(jī)　出處：《濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版)》2017年06期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： 雙支持向量機(jī) 模糊正則化 核密度分布 隸屬度函數(shù)

【摘要】：在雙支持向量回歸機(jī)的基礎(chǔ)上,考慮到不同的樣本點(diǎn)可能對(duì)回歸函數(shù)產(chǎn)生不同的影響,提出一種改進(jìn)的雙支持向量回歸機(jī)模型,即基于核密度分布的模糊正則化雙支持向量回歸機(jī);該模型不僅考慮到最小化結(jié)構(gòu)風(fēng)險(xiǎn)項(xiàng),而且還設(shè)計(jì)一種基于核密度分布的模糊隸屬度函數(shù),給不同的樣本點(diǎn)賦予不同的模糊隸屬度。結(jié)果表明,所提出的基于核密度分布的模糊雙支持向量回歸機(jī)有較理想的回歸效果。
[Abstract]:On the basis of double support vector regression machine, considering that different sample points may have different influence on regression function, an improved model of double support vector regression machine is proposed. That is fuzzy regularized double support vector regression machine based on kernel density distribution; The model not only considers minimizing structural risk, but also designs a fuzzy membership function based on kernel density distribution, which assigns different fuzzy membership to different sample points. The proposed fuzzy double support vector regression machine based on kernel density distribution has an ideal regression effect.
【作者單位】： 北京科技大學(xué)數(shù)理學(xué)院;
【基金】：中央高校基本科研業(yè)務(wù)費(fèi)資助項(xiàng)目(FRF-BR-12-021)
【分類(lèi)號(hào)】：TP181
【正文快照】： 支持向量機(jī)(support vector machine,SVM)[1-2]在機(jī)器學(xué)習(xí)領(lǐng)域中備受關(guān)注,也被廣泛應(yīng)用于現(xiàn)實(shí)場(chǎng)景中[3],然而關(guān)于SVM的回歸算法還不是很成熟。目前常見(jiàn)的回歸算法有支持向量回歸機(jī)(sup-port vector regression,SVR)[4]、最小二乘支持向量回歸機(jī)(least square support vector r

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 常戰(zhàn)芳;班曉娟;劉旭;周瑜;何新波;;基于多源數(shù)據(jù)融合的注射坯密度分布控制算法[J];計(jì)算機(jī)工程與科學(xué);2010年09期

2 王燕玲,劉麗紅;流化床物料密度分布可視化研究[J];儀表技術(shù)與傳感器;2001年05期

，

本文編號(hào)：1412198