加权撑持向量回归算法研究.pdfVIP

摘要 Vector 内容摘要：支持向量机(Support 理论提出的一种机器学习方法。它是建立在VC维和结构风险最小化原则基础上 的，利用核函数把非线性可分数据映射到高维特征空间，使其在高维特征空间中 线性可分，同时利用核函数计算内积可避免维数灾难。由于支持向量机具有较好 的学习性能和泛化能力，该技术已成为机器学习的热点，并在很多领域得到成功 应用，如模式识别、图像分析、预测等方面。 支持向量回归算法是Vapnik在定义了s一不敏感损失函数的基础上提出来的， 简称g—SVR算法。在￡．SVR中，输入样本被等同对待，每个样本的松弛项被赋 予相同的惩罚因子，所以当样本中存在噪声或野点时，导致SVM在这些点较为 C 敏感，由此产生过拟合现象。针对这种情况，2002年LinF等将模糊隶属度的 Vector 概念引入到SVM分类中，提出了模糊支持向量机(FuzzySupportMachine， 简称FVSVM)的概念，根据不同输入样本对分类贡献的不同，赋予不同的隶属 度，将噪声和野点与有效样本区分丌。 本文在介绍了统计学与支持向量机分类与回归理论的基础上，对加权支持向 量回归权值的确定方法进行了研究。根据每个样本偏离数据域程度的不同赋予不 同的权值，使噪声点的权值接近于一个很小的实数，以减小对回归函数的影响。 在确定权值的训练中，采用线性规划下的一类分类方法。实验证明，该方法减小 了回归误差，提高了SVM的抗噪能力。 关键词：统计学习理论：支持向量机；线性规划：加权支持向量回归；权值 Abstract vector was andsome Content：Supportmachine(SVM)，whichproposedbyVapnik a machine tothestatistical iS others．iSmethodof learningaccording learningtheory．It basedonVCdimensionandstructuralriskminimization functioniS principle．Kemel usedto thenon．1inear dataintoa dimensionalfeature map separable higher space．So itcanbe inthe dimensionalfeature kernel separatedhigher space．Meanwhile．using functiontocalculateinner canavoiddimensiondisaster．BecauseSVMhas product better and power,this hasturnedintothe of generalizationlearning technology topic machine also successful in as fields，such learning，andgained applicationsmany andS