2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩42頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

1、支持向量機(SVM)是一種新的數(shù)據(jù)建模方法,它基于統(tǒng)計學習理論,具有堅實的數(shù)學理論基礎和嚴格的理論分析,具有理論完備、全局優(yōu)化、適應性強、推廣能力好等優(yōu)點,是機器學習中的一種新方法和研究新熱點。它運用結(jié)構(gòu)風險最小化原則,綜合了統(tǒng)計學習、神經(jīng)網(wǎng)絡等方面技術,在最小化經(jīng)驗風險的同時,有效地提高了算法泛化能力。 以往大部分研究主要集中在支持向量機分類理論和應用上,近年來關于支持向量機回歸的研究也顯示出其優(yōu)異的性能。作為一個新的理論和方

2、法,支持向量機回歸在訓練算法和實際應用等方面有諸多值得深入探討的課題。 本論文就以上主要內(nèi)容進行了深入的研究并取得了以下結(jié)果: 1.研究支持向量核函數(shù)條件的基礎上,構(gòu)造了一種基于小波核函數(shù)的小波支持向量機。分析了算法的收斂性、通用性和泛化能力。該算法擴充較為容易,實驗結(jié)果表明小波支持向量機算法具有比較理想的函數(shù)逼近能力。 2.研究了KPCA支持向量機算法。借鑒核函數(shù)思想,提出了一種基于核主元分析和小波最小二乘支持

3、向量機的數(shù)據(jù)建模方法,用核主元分析對輸入變量進行數(shù)據(jù)壓縮,消除變量之間的相關性,通過交叉驗證的方法對支持向量機進行參數(shù)選擇。將其用于雙酚A(BPA)數(shù)據(jù)建模的結(jié)果表明:該方法具有學習速度快、泛化能力強等優(yōu)點。 3.針對SVM參數(shù)(核參數(shù)、懲罰因子)模型推廣能力影響較大,而目前又無解析方法指導小波SVM參數(shù)選取的問題,本文提出了一種基于量子粒子群優(yōu)化(QPSO)算法的小波SVM參數(shù)選擇方法。該方法將SVM參數(shù)集當作粒子群,以最小化

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論