基于改进支持向量机回归算法在水处理中应用研究.docVIP

基于改进支持向量机回归算法在水处理中应用研究 　　摘#8195;要针对不同训练样本重要性的差异对模型推广(泛化)能力的影响，提出了对各个样本的误差惩罚参数赋予不同权重的改进加权支持向量机求解算法。根据样本重要性的不同，采用线性规划下的一类分类算法得到加权系数，并通过加权系数调整求解路径，从而改变不同样本在回归模型中的作用。结果显示改进算法可减小位移响应（随机噪声或野点）在多个评价指标下的预测误差，提高支持向量回归机的外推及预测能力。该方法同样适用于其他求解路径算法，如ε一支持向量机算法和v一支持向量回归算法等。 　　关键词计学习理论；支持向量回归；加权系数；加权支持向量回归 　　中图分类号TP文献标识码A文章编号1673-9671-(2011)042-0212-02 　　 　　支持向量机（Support Vector Machine，SVM）是20世纪90年代中期由ATT贝尔实验室的Vapnik等人提出的一种新的机器学习算法，它是以统计学习理论（StatisticalLearning Theory，SLT）为基础的，因此支持向量机具有很强的理论基础和泛化能力。 　　统计学习理论是建立在结构风险最小化原则基础上的，该理论为机器学习问题建立了一个良好的理论框架，较好地解决了小样本、非线性和局部极小点等实际问题。支持向量机就是专门针对小样本情况下的机器学习问题而建立的一套理