發(fā)布時(shí)間：2019-10-04 01:07

【摘要】：針對(duì)小樣本情形下的退化軌跡建模問題,為解決用ε支持向量回歸(ε-support vector regression,ε-SVR)建模時(shí)不敏感參數(shù)ε不易選擇的難題,提出一種基于v支持向量回歸(v-support vector regression,v-SVR)的退化軌跡建模方法,并用遺傳算法優(yōu)化模型參數(shù)以提高建模精度。參數(shù)v與支持向量和錯(cuò)誤樣本點(diǎn)的個(gè)數(shù)有關(guān),根據(jù)這一性質(zhì)確定v的取值范圍,并實(shí)現(xiàn)對(duì)支持向量或錯(cuò)誤樣本點(diǎn)個(gè)數(shù)的控制。對(duì)疲勞裂紋增長(zhǎng)數(shù)據(jù)的實(shí)例分析表明,所提方法不僅便于確定參數(shù),而且相對(duì)于以往文獻(xiàn)的方法有更高的建模精度。
【作者單位】： 火箭軍指揮學(xué)院作戰(zhàn)實(shí)驗(yàn)中心;火箭軍工程大學(xué)控制工程系;
【分類號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊潔;鄭寧;徐海濤;劉董;徐明;;支持向量預(yù)選取的域著色Voronoi圖方法[J];計(jì)算機(jī)應(yīng)用與軟件;2008年12期

2 李慶;胡捍英;;支持向量預(yù)選取的K邊界近鄰法[J];電路與系統(tǒng)學(xué)報(bào);2013年02期

3 鄭逢德;張鴻賓;;在線Lagrangian支撐向量回歸[J];北京工業(yè)大學(xué)學(xué)報(bào);2013年07期

4 趙春暉;張q，

本文編號(hào)：2545673