密度加权孪生支持向量回归机-控制与决策.PDFVIP

第31 卷 第4 期 控 制 与 决 策 2016 年 4 月 Vol. 31 No. 4 Control and Decision Apr. 2016 文章编号: 1001-0920 (2016) 04-0755-04 DOI: 10.13195/j.kzyjc.2015.0041 密度加权孪生支持向量回归机 程昊翔, 王 坚 ( 同济大学a. 电子与信息工程学院，b. CIMS 研究中心，上海201804) 摘 要: 为了使数据集的内在分布更好地影响训练模型, 提出一种密度加权孪生支持向量回归机算法. 该算法通 过 近邻算法计算获得每个数据点基于数据密度分布的密度加权值, 并将密度加权值引入到标准孪生支持向量回归 机算法中. 算法能够很好地反映训练数据集的内在分布, 使数据点准确影响训练模型. 通过6 个UCI 数据集上的实验 结果分析验证了所提出算法的有效性. 关键词: 密度加权； 近邻法；内在分布 中图分类号: TP273 文献标志码: A Density-weighted twin support vector regression CHENG Hao-xiang, WANG Jian (a. College of Electronics and Information Engineering，b. CIMS Research Center ，Tongji University ，Shanghai 201804, China ．Correspondent ：CHENG Hao-xiang，E-mail ：373668304@) Abstract: To better impact the training model with the inherent distribution of the training dataset, a twin support vector regression called density-weighted twin support vector regression is proposed. Firstly, the density-weighted value is computed based on the -nearest neighbor algorithm. Then, the values of density-weighted are introduced to the standard twin support vector regression. It is found that the proposed algorithm can well reflect the inherent distribution of the training dataset and lead to a more accurate impact on the training model. Experimental results on six UCI datasets show the effectiveness of the proposed algorithm. Keywords: density-weighted ；-nearest neighbor ；inherent distribution 0 引引引 言言言 算分析, 在数据集规模相同的情况下, TWSVM 的训 [1] 练时间是标准SVM 的1/4. Peng[5]将TWSVM 从解决 近几年, 支持向量机 (SVM) 已成功应用于分类 和回归问题. SVM 是以VC 维理论和结构风险最小