基于RBFN与SVR比较的信息评价研究.pdfVIP

基于RBFN与SVR比较的信息评价研究* AnEmpiricalStudyofInformationEvaluationBasedontheComparisonbetween RBFN andSVR 刘怀亮 张治国 马志辉 董 萍 许君宁 (西安电子科技大学经济管理学院 西安 710071) 摘 要 SVR是一种基于统计学习理论 的机器学习方法 SVM 回归学习中的应用。其方法实现 了数据空间与特征空 间之间的非线性映射 ，建立在此基础上 的SVR也就具备 了优秀的非线性预测能力。最后 ，基于RBFN和 SVR的理论 基础 ，结合供应商评价指标体系，以供应商信息评价为例 ，进行 了信息评价实证研究并对结果进行 了分析 。 关键词 径向基函数 网络 回归支持 向量机 信 息评价 中图分类号 G353 “评价是人们把握客体对人 的意义、价值的一种观念性活 r— ——————一 动 。”l1]企业评价是 以人 的需要为尺度 ，对认识对象的价值做 IIx IIz√j∑=l( )，=1，2，…，m 出判断、预测、比较，从而引导人们选择那些更具有价值的事 隐节点的输出为隐层为完成非线性转换的某种径 向基函 务、方案或行为 2]。企业根据 已存在的信息 ，如何挑选可持续 数 。 r一一一一I r_ 一lr— 一一I 发展并符合 自身利益的供应商就成为亟待解决的问题 ，那么 I I 对信息评价方法的研究具有重要的理论意义和实践意义。 xf 本文通过对供应商信息评价为例，结合对径向基函数神 X2 }y 经网络和 回归支持 向量机两种方法的深入分析 ，进行 了供应 yk 商评价 的对 比实证研究。 Xii I I 1 RBFN与 SVR基本原理 I… 一 J 输入层 1．1 RBFN原理 径 向基函数网络 (RadialBasisFunction 图 1 RBF神经网络结构 Network，RBFN)是一种局部逼近 网络 ，即对于输入空间的某 在 RBF网络中，各隐节点的输 出实际代表着输人样本 x 一 个局部区域只存在少数的神经元用于决定网络的输出。这 离开该隐节点的径 向基函数中心C 的程度 。而且在 RBF网络 类 网络 的学习的等价于在多维空间中寻找训练数据 的最佳拟 中，并不存在一个像其他网络那样联接各输入节点与各隐节 合平面。 点的隐层权矩阵。因此，隐层的训练任务不是调节其权矩阵， RBF网络 由三层组成 ，分别是输入层、隐含层和输 出层 。 而是为每个隐节点选择其中心向量。 输入层节点输入信号到隐层 ，隐层节点由高斯核函数 (即径 向 RBF网络 中的输 出层是一组线性组合器 。输入层实现从 基函数)描述 ，而输出层节点通常由简单的线性函数刻画。隐 x— a( )的非线性映射 ，输 出层实现从 。。(z)一 Y 的线性 映射 ，即RBF网络 的输 出为隐层节点输 出的线性组合 ，有 层节点 (感知单元)的作用函数 (核函数)对输