克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

被引：10

作者：

张伟 ^{[1
]}

胡昌华 ^{[2
]}

焦李成 ^{[1
]}

薄列峰 ^{[1
]}

机构：

[1] 西安电子科技大学智能信息处理研究所

[2] 第二炮兵工程学院

来源：

西安电子科技大学学报 | 2007年 / 03期

关键词：

克隆规划; 交叉验证; 参数优化; 最小二乘支持向量机; 惯性器件预测;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为改善最小二乘支持向量机的泛化性能,将克隆规划、交叉验证相结合的优化算法用于最小二乘支持向量机的参数优化.克隆规划算法是具有局部、全局搜索能力的优化算法,能有效避免陷入局部极值;交叉验证算法的无偏估计性抑制了训练过程中“过拟合”和“欠拟合”.在该优化算法中,用交叉验证误差构造抗体抗原亲合度,用克隆规划算法寻找最小二乘支持向量机的最优参数.用优化的最小二乘支持向量机回归模型建立了惯性器件时间序列预测模型.实验结果验证了算法的有效性及预测模型的泛化性能.预测模型为动态补偿、故障预测提供了依据.

引用

页码：428 / 432+437 +437

页数：6

共 5 条

[1] 最小二乘Littlewood-Paley小波支持向量机
武方方
赵银亮
[J]. 信息与控制, 2005, (05) : 94 - 99
[2] 基于实数编码遗传算法的神经网络成本预测模型及其应用
刘威
李小平
毛慧欧
柴天佑
[J]. 控制理论与应用, 2004, (03) : 423 - 426+431
[3] 二次损失函数支持向量机性能的研究
朱永生
王成栋
张优云
[J]. 计算机学报, 2003, (08) : 982 - 989
[4] Choosing Multiple Parameters for Support Vector Machines
Olivier Chapelle
Vladimir Vapnik
Olivier Bousquet
Sayan Mukherjee
[J]. Machine Learning, 2002, 46 : 131 - 159
[5] Least squares support vector machine classifiers
Suykens, JAK
Vandewalle, J
[J]. NEURAL PROCESSING LETTERS, 1999, 9 (03) : 293 - 300

← 1 →