有效的v支持向量回归机的v解路径算法

由Sch lkopf等人提出的v支持向量回归机具有通过参数控制支持向量和错误向量个数的优点,然而与标准的支持向量机相比,其形式更为复杂,迄今为止仍没有有效的算法计算v解路径.基于支持向量回归机的修改形式,提出了一种新的解路径算法,它能够追踪参数v对应的所有解,并通过理论分析和实验,说明了该算法能够尽可能地避免不可行的更新路径,并在有限步内拟合出所有的解路径.

ν支持向量回归机解路径在机场噪声时间序列预测建模中的应用

支持向量回归是解决非线性时间序列预测问题的有效方法之一.为得到机场噪声时间序列预测的优化模型,将ν支持向量回归机解路径算法(ν-Svr Path)用到机场噪声时间序列的建模中,由此得到的模型在保证预测准确性的基础上,大大缩短了训练时间.在某机场噪声实测数据上的实验表明:由ν-Svr Path算法构造的预测模型在训练时间和预测的准确性上,其结果均优于盲目选取ν的模型;同时,由ν-Svr Path算法构造的模型的预测准确率高于ARMA和ε-SVR构造的模型,对机场噪声时间序列预测具有一定的实用价值.

精确增量式在线v型支持向量回归机学习算法

为了解决v型支持向量回归机(v-supportvector regression,v-SVR)对偶问题的目标函数中增加的额外线性项从而导致无法产生有效初始解的问题和在绝缘增量调整过程中可能存在的解路径不可行更新问题,提出了精确增量式在线v-SVR学习算法.首先基于v-SVR的等价形式,利用提前调整,宽松的绝缘增量调整和精确的恢复调整有效地解决了v-SVR对偶问题存在的上述问题.然后分别对算法的可行性和有限收敛性进行了理论分析.最后在四个基准测试数据集上的仿真结果进一步验证了该算法的每一步调整都是可靠的,经过有限次数调整最终收敛到最小化问题的最优解,而且与批处理学习算法相比,随着训练样本的增加,算法在缩短学习时间上的优势显著.