融合先验知识的支持向量机回归方法 incorporation of prior knowledge with the support vector machine regression.pdfVIP

下载本文档

30
0
约1.68万字
约 4页
2017-08-22 发布于上海
举报
版权申诉

融合先验知识的支持向量机回归方法 incorporation of prior knowledge with the support vector machine regression.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

融合先验知识的支持向量机回归方法 incorporation of prior knowledge with the support vector machine regression

第37卷第l期信息化研究 V01．37No．1 2011年1月 InformatizationResearch Feb．2011 融合先验知识的支持向量机回归方法刘小飞，王建东 (南京航空航天大学信息科学与技术学院，江苏南京，210016) 摘要：类似大多数基于统计的纯数据驱动机器学习方法一样，标准支持向量机回归也是建立在对纯样本数据学习基础上的，需要足够多标记好的样本数据才能保证模型的性能，当样本数据集趋于无穷大时，学习模型也越趋向于真实模型。然而在实际应用中，这个条件往往很难得到满足。如果能将样本数据的先验知识融合到支持向量机回归中，就可以弥补样本不足的缺陷。本文提出一种融合先验知识的支持向量机回归方法，给出了理论推导的一般形式，并通过实验证明该方法的有效性。关键词：支持向量机；回归；样本数据；先验知识中图分类号：TP391 margined8vm简称WMS． 0引言识的加权间隔SVM(weighted VM)，该方法可以获得更合理的分类面。在此基础 vector 支持向量回归机(supportregression)是解决上，本文从回归的角度将先验知识加入到标准SVR 回归问题的有力工具。由VapnikI”等人提出的支持向中，给出了一种新的融合先验知识的支持向量机回归量机理论是处理非线性问题的有效方法。它建立在 of ofthe vec· 方法(incorporationknowledge prior support 统计学习理论的基础上，克服了传统方法的诸多不 tor regression)。足。具有很好的推广能力。作为统计学习理论中结构 minimize 风险最小化准则(structural 1标准支持向量机回归方法 reorganization)的 vectormachine)具有结具体实现，支持向量机(support 给定一个有标记的训练样本集D={(zn Y，ki∈∥，构简单、全局最优、泛化能力较好的优点，近几年得到了广泛的研究。SVM方法最早是针对模式识别问题Yf 值，Y，ER为相应的输出值，n为训练样本数。定义8 提出来的，随着￡不敏感损失函数的引入，SVM已推广不敏感损失函数为：到非线性系统的回归函数估计，并展现了较好的学习性能。标准支持向量机回归学习算法的基本思路是