支持向量机推广能力估计方法比较

支持向量机是一种新的机器学习算法,与其它学习算法相比,它的最大优点是基于结构风险最小化原则,因而能够保证推广能力。推广能力估计是机器学习中的一个重要问题,是实现自适应调整、参数选择、模型选择的等方法的基础。本文详细比较当前较有影响的几种推广能力估计方法,指出了这些方法适应范围和优缺点,并结合各种方法的原理讨论了推广能力估计可能的发展方向。

径向基支持向量机推广能力快速估计算法

提出了一种估计径向基支持向量机推广能力的方法,利用解的稀疏特性和径向基核的特点以及训练过程产生的中间参数,无需增加更多的复杂运算,就能实现推广能力的估计,与其他方法相比,估计时间大大减小且适用于不同的分类超平面;并通过理论分析和试验证明该方法是一种通用的估计方法,可以适应范围很广的支持向量机模式识别问题.

支持向量机参数选择方法研究

针对支持向量机的参数选择问题,提出了一种最优化选择方法。通过分析支持向量个数与留一法的关系以及支持向量机参数的几何意义和对推广能力的影响,该算法利用支持向量机比例来衡量参数选择时推广能力的变化,使用不同的规则更新核参数和惩罚因子,简化了参数选择的难度。理论分析证明这种最小最大化参数选择方法可以选择支持向量机参数,仿真试验验证了该方法的有效性。

基于单值支持向量机的电液伺服阀故障诊断

以液压伺服系统的关键部件———电液伺服阀为研究对象,针对正常运行状态的数据样本较易获得,而故障样本难以获得的情况,应用单值支持向量机,仅仅依靠正常状态下的数据样本,建立起单值分类器,从而对电液伺服阀的运行状态进行识别。并用推广能力估计的方法,实现控制参数的选择。