基于v-支持向量回归的T-S模糊模型辨识

结论参数对T-S模糊模型的泛化能力有重要影响。该文引入v-支持向量回归机(v-SVRM),把T-S模型结论参数的辨识问题转化为一个约束优化问题,并推导了新的迭代求解算法。该方法通过一个参数v控制支持向量的数目和落在ε不灵敏带外样本点的数目,并自动计算合适的ε。针对典型负荷被控对象的仿真结果表明:该方法比通常采用最小二乘法进行结论参数辨识的方法具有更好的泛化能力;此外,由于采用了ε不灵敏损失函数,该方法具有更好的噪声适应能力。

改进的v-支持向量回归机的v解路径算法

v-支持向量回归机(v-support vector regression,v-SVR)的对偶形式与ε-支持向量回归机的对偶形式相比增加了一个额外的不等式约束,截止目前还没有找到有效且可行的v-SVR的v解路径算法。针对Loosli等人提出的v-SVR的v解路径算法存在路径不可更新的问题,提出了改进的v-SVR的v解路径算法。该算法基于v-SVR的修改形式及Karush-Kuhn-Tucker(KKT)条件,通过引入新的变量和附加项的策略,能够有效地避免在绝缘增量调整过程中存在的冲突和异常,并最终经过有限次数迭代拟合出整个v解路径。理论分析和仿真结果表明,该算法是有效且可行的。

基于灰色支持向量机的基金波动率预测研究

鉴于灰色预测方法和支持向量机各自的优点,将灰色预测方法与支持向量机相结合,建立灰色支持向量机模型,并以极差替代收益的标准差度量波动率,运用新模型对深圳基金波动率进行实例分析。通过与v-支持向量机的预测结果对比,发现所提出的模型适合于基金波动率的中短期预测。

构建起重机载荷谱v-SVRM预测模型的改进方法

载荷谱预测精度和鲁棒性直接影响起重机械的疲劳可靠性计算以及安全寿命评估.因此,绘制模拟实际工作状态的载荷谱是解决起重机械疲劳断裂问题的重要环节.然而传统的回归模拟算法对其预测精度较低.支持向量回归机(SVRM)同其他数据分析算法相比,具有出色的小样本和非线性特性,预测精度高、稳健性好,可较好地解决欠学习、过学习以及局部最小值等传统回归算法的难题.因此,选用支持向量回归机预测起重机载荷谱,提高了模型的预测精度和鲁棒性.在此基础上,从核函数的构造和决策函数的建立两方面的改进,建立了改进的vSVRM预测模型.工程实例分析结果表明:从BP神经网络模型、v-SVRM模型到改进的v-SVRM模型,Er和RMSRE逐渐减小,R2逐渐增大,验证了所提出的改进方法具有良好的实用性、鲁棒性以及较高的预测精度,为起重机载荷谱的获取与预测提供了新方法.

基于线性ν-支持向量回归机的异常数据检测

讨论了线性v-支持向量回归机中参数v的意义,并给出了严格的理论证明。利用v-支持向量回归机中ε-不敏感损失函数及参数v的意义,提出一种回归数据中的异常值检测方法。采用线性模型使得该方法不仅速度快而且能处理大规模数据。数值实验证明其具有可行性和有效性。

基于在线聚类的多模型软测量建模方法

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSVR)的多模型软测量建模方法。在vSVR建模过程中,通过在线聚类算法改善了vSVR模型参数选择算法的稳定性,并用vSVR参数的先验知识和KKT条件实现模型参数的快速寻优,提高了模型的学习效率和精度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。

结合多路ν-SVR与TFBSS的胎儿心电信号提取

提出了一种结合多路v-支持向量回归机(ν-SVR)和时频盲源分离(TFBSS)的胎儿心电信号间接提取方法。利用多路ν-SVR估计各路腹壁信号中的母体心电成分并将其抑制,从而得到多路含噪声的胎儿心电成分的最优估计;然后通过TFBSS从多路含噪声的胎儿心电成分的最优估计中提取胎儿心电信号。采用临床心电数据进行实验,结果表明本文提出的方法在可视化结果和信噪比指标上均优于传统方法。

非半正定核条件下v-SVR的SMO算法

大数据背景下,如何对海量数据进行挖掘是目前研究的一个热点问题。序列最小最优化(SMO)算法是实现支持向量机(SVM)对大数据挖掘的有效算法。现有算法假定核函数是正定或半正定,限制了核函数的选择。为解决这一不足,提出了针对非半正定核v-SVR的SMO算法。所提算法不仅适用于非半正定核,而且具有较好的回归精度。