Lagrange支持向量回归机算法研究

支持向量回归机问题的研究远没有像支持向量机问题成熟完善,支持向量回归机对函数拟合(回归逼近)具有重要的理论和应用意义。借鉴分类问题的有效算法,将其推广到回归问题中来,针对Lagrange支持向量机(LSVM)算法,提出了有效的Lagrange支持向量回归机(LSVR)算法,在若干不同维数的数据集上,对LSVR算法、ASVR算法和LibSVM算法进行数值试验,并进行比较分析。数值试验表明LSVR算法是有效的,与当前流行的求解支持向量回归机的算法相比,在时间和正确度上都有一定的优势。

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果。基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测。仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络。

Lagrange双支撑向量回归机

提出一种快速的支撑向量回归算法。首先将支撑向量回归的带有两组约束的二次规划问题转化为两个小的分别带有一组约束的二次规划问题,而每一个小的二次规划问题又采用一种快速迭代算法求解,该迭代算法能从任何初始点快速收敛,避免了二次优化问题求解,因此能显著提高训练速度。在多个标准数据集上的实验表明,该算法比传统支撑向量机快很多,同时具有良好的泛化性能。

利用Lagrange支持向量回归机设计IDS的检测算法

为提高网络入侵检测系统中检测算法的分类精度,降低训练样本及学习时间,在基于支持向量回归机的基础上,提出一种新的利用Lagrange支持向量回归机设计IDS的检测算法。使用KDD CUP 1999数据集进行仿真实验,结果表明该算法较基于支持向量回归机的检测算法具有更良好的泛化性能、更快的迭代速度、更高的检测精度和更低的误报率。

基于SVR的导航传感器自适应野值检测方法

针对Lagrange插值法无法处理连续野值的问题,提出了一种基于改进支持向量回归(Support Vector Regression,SVR)的导航传感器自适应野值检测方法。该方法结合了支持向量回归利用小样本数据就能够准确建模和3σ准则计算简易的优点,利用支持向量回归在线建立舰船的运动模型对测量值进行实时预测,并利用3σ准则自适应地计算阈值,然后通过比较阈值与预测残差来判别测量值是否为野值点。该方法可以自动地学习舰船的运动趋势,建立舰船的真实运动模型,而且不受连续野值点的影响,能够在没有其他传感器辅助的条件下完成野值检测。海试实测数据表明,提出的方法对离散和连续的野值点均具有较好的检测效果,同时可以更好地估计传感器的真实测量值。

基于LS-SVM的谐波阻抗估计方法

为解决谐波阻抗不易直接获取的问题,提出一种基于最小二乘支持向量机LS-SVM(least squaressupport vector machine)估计系统谐波阻抗的新方法。利用最小二乘支持向量机构建回归模型,引入Lagrange乘子得到拉格朗日函数,并求解得到模型参数。将公共连接点PCC(point ofcommon coupling)处的谐波电压信号和谐波电流信号,代入最小二乘支持向量机模型,估计系统谐波阻抗。等值电路的仿真分析和误差分析证明该方法相较于“二元线性回归法”和“支持向量机法”具有更好的准确性、稳健性和精度。最后,通过分析工程实测数据,并与其他谐波阻抗估计方法的结果进行对比,验证了该方法的有效性。