本文選題：最小二乘支持向量機(jī) + 最優(yōu)稀疏化　； 參考：《武漢大學(xué)學(xué)報(bào)(工學(xué)版)》2016年06期

【摘要】：針對(duì)最小二乘支持向量機(jī)(LSSVM)失去稀疏特性及經(jīng)典迭代剪切稀疏化算法容易陷入性能指標(biāo)函數(shù)局部收斂的問題,提出一種基于粒子群優(yōu)化(PSO)的LSSVM稀疏化算法.將LSSVM稀疏化過程描述為一個(gè)最優(yōu)化問題,以校驗(yàn)樣本和預(yù)測(cè)輸出之間的均方根誤差RMSE為優(yōu)化目標(biāo),以模型訓(xùn)練樣本剪切率ε(%)為優(yōu)化變量.并針對(duì)此非線性優(yōu)化問題提出基于PSO的求解方法.以大型電廠飛灰含碳量LSSVM模型為例,對(duì)此算法進(jìn)行了實(shí)例研究.結(jié)果表明,該方法能有效解決經(jīng)典算法的局部收斂問題獲得最優(yōu)剪切率,具有更好的預(yù)測(cè)和泛化能力.
[Abstract]:Aiming at the problem that the least square support vector machine (LSSVM) loses its sparsity and the classical iterative shearing thinning algorithm is prone to fall into the local convergence of the performance index function, a LSSVM sparse algorithm based on particle swarm optimization (PSO) is proposed. The sparse process of LSSVM is described as an optimization problem. The root mean square error (RMSE) between the calibration sample and the predicted output is taken as the optimization objective, and the shear rate of the model training sample is taken as the optimization variable. A method based on PSO is proposed to solve the nonlinear optimization problem. Taking the LSSVM model of carbon content in fly ash of large power plant as an example, the algorithm is studied as an example. The results show that this method can effectively solve the local convergence problem of classical algorithm to obtain the optimal shear rate and has better prediction and generalization ability.
【作者單位】： 武漢大學(xué)動(dòng)力與機(jī)械學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(編號(hào):51475337) 湖北省自然科學(xué)基金資助項(xiàng)目(編號(hào):2011CDB277)
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 溫菊屏;林冬梅;;圖稀疏化:加速圖聚類的有效方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年11期

2 吳宗亮;竇衡;;一種新的最小二乘支持向量機(jī)稀疏化算法[J];計(jì)算機(jī)應(yīng)用;2009年06期

3 余正濤;鄒俊杰;趙興;蘇磊;毛存禮;;基于主動(dòng)學(xué)習(xí)的最小二乘支持向量機(jī)稀疏化[J];南京理工大學(xué)學(xué)報(bào);2012年01期

4 馮笑笑;劉本永;;基于高階相關(guān)的稀疏化和徑向基核分類法[J];雷達(dá)科學(xué)與技術(shù);2007年03期

5 崔樹標(biāo);張?jiān)?周華民;李德群;;邊界元矩陣稀疏化算法及其應(yīng)用[J];上海交通大學(xué)學(xué)報(bào);2008年10期

6 趙英海;蔡俊杰;吳秀清;孫福明;;基于稀疏化圖結(jié)構(gòu)的轉(zhuǎn)導(dǎo)多標(biāo)注視頻概念檢測(cè)算法[J];模式識(shí)別與人工智能;2011年06期

7 司剛?cè)?曹暉;張彥斌;賈立新;;一種基于密度加權(quán)的最小二乘支持向量機(jī)稀疏化算法[J];西安交通大學(xué)學(xué)報(bào);2009年10期

8 汪濤，邢小良;感知器的動(dòng)態(tài)稀疏化學(xué)習(xí)[J];自動(dòng)化學(xué)報(bào);1995年01期

9 汪琪;李傳榮;馬靈玲;唐伶俐;李劍劍;;基于訓(xùn)練字典的壓縮感知光譜稀疏化方法[J];遙感技術(shù)與應(yīng)用;2013年06期

10 過琦芳;;稀疏化的基于核密度估計(jì)的向量機(jī)[J];信息與電腦(理論版);2011年09期

相關(guān)碩士學(xué)位論文 前4條

1 付強(qiáng);稀疏化模型及其在文本分類中的應(yīng)用[D];南京大學(xué);2014年

2 孫欣;最小二乘支持向量機(jī)稀疏化技術(shù)的研究[D];廣西大學(xué);2014年

3 馮笑笑;基于模式樣本稀疏化和高階相關(guān)的分類方法研究[D];電子科技大學(xué);2007年

4 邵哲;X波段大型相控陣稀疏化研究[D];電子科技大學(xué);2012年

，

本文編號(hào)：1877851