支持向量机多专家决策算法.pdfVIP

第 g墨第 2 期 !l.(制自年 6 月 模式识别与人工智能. ..... ..., (tj出-1li~.!II! ••• 支持向量机多专家决策算法 在日盛丰 l 黄l享宽 l 目111Ii~咽I1JU崖组酣õI;，J:iJI草黯!E二Jilll盟-幅_mlIl!H】 摘要 多专家决策算法是对多个专家的决策做出综合决策，使决策更符合实际情况，通常的算法使用各专家决. 策的加权求和法，由于各专家的权值在不同的情况下会有所不同，因此难以服用本文提出采用基于支持向量饥的. 非线性回归法进行综合决策，克服了权僚变化的问题多专家决策的另一途税是选取最佳的专家决策，本文采用暴. 予支持!再量极位非线唆分类部方法，可以夜不同情况下逃耳史根E室的最佳专家决策本文提出的第法甩子隧道工程. 告右为学参数主主合处理革统111 对若干子革统的结果进行综合，解决了专家较健变化的问题，敢得了较精确的结果 • 关键词决策，支持向景机，回归，分类 • 中朗!El分类号 TP1B 1 寻 I 多专家决策算法就主是根据一组实例傻及格应的. 多个专家预测，学习一种策略，能够综合专家的预· 测，给出盖章接近实际值的决策 I 决策问题可分为时域. 情况和[芷埔情况两种时城情况相当于如下问题:已. 如有用 于专家，设对时间!芋歹J T: 1 ， 2 ， t ， 第 2 个. 专家教泌的决策序列为妃，…，乌，实际输. 出序列为 Y: 川..… ， y[ 决策算法股根据上述序. 列给出-时刻的决策iII叫，使之与实际输出 )1-1 预期的误差为最小区域情况相当于如下问题.已知· 有 m 个专家，对任意的革命入 g 町，町，…，岛，第 i 个专家给出的相应的决策为: ,: z , , Z ，，句，实. 际的相应输出为IDI!II川，….D决策算法应根据. 这些数擦对当前的输入 x 绘出决策iiII使之与实际. 输出 y 预期的误差为最小 • 多专家决策的基本方法是求各专家决策的加权. 和，并不晰根据已知的数据对权值做出调罄‘时时域. 问题比较典型的方法续加权多数算法liiätliiiiäI 较搞司崩， 1999-08-16 Maíority gorit七缸，简称..该算法对每次输. 入都根据现有的权值做出预测，并根据实际镀对权. 值做出修正 l 对区域问题，由于对于各个子区域，各. 个专家的权值可能有所不同，因此算法比较复杂一. 个可行的策略是，确定和i题重要各个子区域中各专家. 的权筐，并根据输入所在的子区域的权 i渲做出决. 策l1li上述加权方法的缺点是110 当所有专家决策. 都在一个方向上偏离实际值时，不能得到与实际值. 偏差最小的决策181 在区域问题中，子区域1位于i.DI 分，豆子区竣的妻宜昌隧着输入幸在数的增部部迅速增. 加，算法实现有一定难度本文对时域和区域问题统. 一采用支持向露机的方法进行专家决策，克服了以. 上两个问题.决策效果大为改善 • 多专家决策部另 个常用的方法是通过~f91J学. 习确定最佳的专家-当然，在不岗的子区域最{圭专家. 可能有所不同本文对这个问题也采用支持向量机. 的方法予以解决 • 支持向蠢事I是 Vapnik 等人报提统0;学习理论. 提出的一手中学习方法，近年来在模式识到、在III羽分析. 和特征提取等方面得到了很多应用-支持向量. 机方法根据amml!的结构风险最小化原则，尽量提. 离学习机的泛化能力，即是使也有限训练样本得到. 166 模式识别与人工智能. 13 卷 ••••••••••••••••• 此 保 持 算 个 E 够 支 策 一 甘 能 使 决 在 创 胞 中m u h刷 刷 刷 且 一 家 结 寻 优 这 专 验 即 次 解 法 略 措 用 仍 仨 优 算 机 如 应 集 W L最 习 量 仁 的 试 J I局 学 向 J 中 测 L t全 的 持 法 统 的 U H U是秀 支 算 系 立 知 就 优 于 策 策 独 吗 解 种 基 决 决 对 剖 值 一 出 家 家 则 拮 极 为 给 专 专 规 样 的 成 文 佳 多 策 性 到 机 本 最 的 决 J 找 量 和 际 的 外 证 向 法 实 2 多专家综合决策算法 设已知输入样本为 n 维向量，其 h 个样本及其. 实际值表示为 • (矶，只ÞlI… εRηx R , 1 设有 m 个专家，第 z 个专家对是个样本的决策值分. 别为缸，句-民我们将根据输入估值的问题转. 化为根据专家决策估值此时 k 组专家决策及相应. 的实际值表示为 • (町..…I!鸟，且)εRmxR ， (2 基本的加权算法对输入根据专家决策给出综合决策. j(z)=wz+b , (3 其中 w 为各专家的权值向量lIIIIiI表示向量的点