全部 标题 作者
关键词 摘要

OALib Journal期刊
ISSN: 2333-9721
费用:99美元

查看量下载量

相关文章

更多...

考虑梯度信息的ε-支持向量回归机

DOI: 10.3724/SP.J.1004.2014.02908, PP. 2908-2915

Keywords: ε-支持向量回归机,元模型,梯度信息,计算机实验设计,仿真优化

Full-Text   Cite this paper   Add to My Lib

Abstract:

?传统的ε-支持向量回归机(ε-supportvectorregression,ε-SVR)只是根据样本点处的响应值来构建模型,并没考虑样本点处的梯度信息.如果样本点处的梯度信息容易获得或者获得的成本并不高,那就应该将梯度信息应用到模型的构建中.已有的基于梯度信息的ε-支持向量回归机模型的构建是从泰勒展开的角度着手,简单地将梯度信息插入到泰勒展开式中;本研究另辟蹊径,并没有去估计样本点邻域内的函数值,而是将梯度信息作为第二类变量融入到核矩阵中直接构建优化模型,使模型的构建更为简捷直观,并据此得到一种新的基于梯度信息的ε-支持向量回归机(Gradient-enhancedε-supportvectorregression,GESVR)模型.所提模型通过了常用分析函数及精算领域中的生命表数据的验证,实验表明,与传统的ε-SVR相比,考虑梯度信息的GESVR模型显著地提高了其预测精度.

References

[1]  Smola A J, Sch?lkopf B. A tutorial on support vector regression. Statistics and Computing, 2004, 14(3): 199-222
[2]  Liang Yan-Ming, Su Fang, Li Qi, Liu Ding. A self-organizing algorithm for T-S fuzzy model based on support vector machine regression and its application. Acta Automatica Sinica, 2013, 39(12): 2143-2149(梁炎明, 苏芳, 李琦, 刘丁. 基于支持向量机回归的T-S模糊模型自组织算法及应用. 自动化学报, 2013, 39(12): 2143-2149)
[3]  Zhou Xiao-Jian, Ma Yi-Zhong, Zhu Jia-Gang. Gradient-enhance support vector regression. Systems Engineering, 2010, 28(3): 87-92 (周晓剑, 马义中, 朱嘉钢. 基于梯度信息的支持向量回归机. 系统工程, 2010, 28(3): 87-92)
[4]  Tao Jian-Wen, Wang Shi-Tong. Kernel distribution consistency based local domain adaptation learning. Acta Automatica Sinica, 2013, 39(8): 1295-1309(陶剑文, 王士同. 核分布一致局部领域适应学习. 自动化学报, 2013, 39(8): 1295-1309)
[5]  Yang Zhi-Min, Shao Yuan-Hai, Liang Jing. Unascertained support vector machine. Acta Automatica Sinica, 2013, 39(6): 895-901(杨志民, 邵元海, 梁静. 未确知支持向量机. 自动化学报, 2013, 39(6): 895-901)
[6]  Alexander I, Forrester J, Keane A J. Recent advances in surrogate-based optimization. Progress in Aerospace Sciences, 2009, 45(1-3): 50-79
[7]  Zhou X J, Ma Y Z, Li X F. Ensemble of surrogates with recursive arithmetic average. Structural and Multidisciplinary Optimization, 2011, 44(5): 651-671

Full-Text

Contact Us

service@oalib.com

QQ:3279437679

WhatsApp +8615387084133