本文關(guān)鍵詞：依密度量化的最小二乘支持向量機(jī)

  更多相關(guān)文章： 最小二乘支持向量機(jī) 矢量量化 稀疏表示 依密度 大規(guī)模數(shù)據(jù)

【摘要】：本課題的主要目的在于提出一種有效的方法對(duì)最小二乘支持向量機(jī)(LS-SVM)進(jìn)行稀疏化,降低其算法復(fù)雜度,以便于更加有效地訓(xùn)練規(guī)模較大的數(shù)據(jù)集。訓(xùn)練集的分布對(duì)于學(xué)習(xí)結(jié)果有著重要的影響,基于這一認(rèn)識(shí)本文提出了一種依密度量化的矢量量化方案(DQS),并利用這一方案對(duì)輸入數(shù)據(jù)進(jìn)行采樣。這一矢量量化方案被用作LS-SVM的預(yù)處理模塊,從訓(xùn)練集中提取出有代表意義的訓(xùn)練子集。DQS的實(shí)現(xiàn)主要通過(guò)引入一個(gè)單一的收縮閾值,使得量化結(jié)果自適應(yīng)于輸入分布。通過(guò)這一方案,可以有效地減小訓(xùn)練數(shù)據(jù)集的規(guī)模。它更為重要的意義在于這樣訓(xùn)練集規(guī)模的減小可以有效地減少在使用Nystro?m方法對(duì)特征進(jìn)行估計(jì)時(shí)的計(jì)算量。利用基于量化所得訓(xùn)練子集所估計(jì)的特征對(duì)LS-SVM進(jìn)行稀疏化,由此得到了一種新的算法:依密度矢量量化的最小二乘支持向量機(jī)(DQLS-SVM)。這一算法可以在原解空間內(nèi)得到解析解。通過(guò)對(duì)合成數(shù)據(jù)、參照數(shù)據(jù)以及大數(shù)據(jù)的預(yù)測(cè),實(shí)驗(yàn)結(jié)果顯示DQLS-SVM與其他相關(guān)算法相比在保證性能的同時(shí)可以更加有效地進(jìn)行計(jì)算。此外,非線性信道均衡的應(yīng)用也體現(xiàn)了DQLS-SVM作為非線性濾波器的有效性能。
【關(guān)鍵詞】：最小二乘支持向量機(jī) 矢量量化 稀疏表示 依密度 大規(guī)模數(shù)據(jù)
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP18
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-18
• 1.1 支持向量機(jī)（SVM）9-14
• 1.1.1 線性SVM9-12
• 1.1.2 非線性SVM12-14
• 1.2 最小二乘支持向量機(jī)（LS-SVM）14-16
• 1.2.1 LS-SVM14-15
• 1.2.2 LS-SVM缺點(diǎn)15-16
• 1.3 課題的創(chuàng)新點(diǎn)16
• 1.4 章節(jié)預(yù)覽16-18
• 第2章 稀疏LS-SVM算法18-23
• 2.1 修剪方法（pruning methods）18
• 2.2 低秩近似方法18-21
• 2.2.1 Nystrom方法18-19
• 2.2.2 固定大小LS-SVM（FSLS-SVM）19-21
• 2.3 小結(jié)21-23
• 第3章 采樣方案23-31
• 3.1 最佳采樣方案23-25
• 3.2 依密度矢量量化方案（DQS）25-30
• 3.3 小結(jié)30-31
• 第4章 依密度量化的最小二乘支持向量機(jī)(DQLS-SVM)31-42
• 4.1 DQLS-SVM31
• 4.2 泛化性能31-40
• 4.2.1 合成數(shù)據(jù)測(cè)試32-35
• 4.2.2 UCI數(shù)據(jù)集測(cè)試35
• 4.2.3 大規(guī)模數(shù)據(jù)測(cè)試35-40
• 4.3 模型參數(shù)的選取40-41
• 4.4 小結(jié)41-42
• 第5章 非線性信道的均衡42-47
• 5.1 方法42-44
• 5.1.1 正則化網(wǎng)絡(luò)（RN）42-43
• 5.1.2 LS-SVM與RN43-44
• 5.1.3 核最小均方算法（KLMS）44
• 5.2 DQLS-SVM非線性信道均衡應(yīng)用44-45
• 5.3 小結(jié)45-47
• 總結(jié)47-49
• 參考文獻(xiàn)49-54
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單54-55
• 致謝55

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報(bào);2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報(bào);2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國(guó)證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動(dòng)化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測(cè)的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動(dòng)語(yǔ)種辨識(shí)中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個(gè)人信用評(píng)估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 余樂(lè)安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：613154