多尺度最小二乘小波支持向量机的回归建模

被引：4

作者：

张相胜 ^{[1
,2
]}

王蕾 ^{[1
]}

潘丰 ^{[1
,2
]}

机构：

[1] 江南大学轻工过程先进控制教育部重点实验室

[2] 江南大学物联网工程学院

来源：

计算机工程 | 2012年 / 38卷 / 10期

关键词：

多尺度; 最小二乘; 小波核; 支持向量机; MARR核; 回归建模;

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：

普通最小二乘支持向量机算法用于多尺度回归建模时精度较低。针对该问题,选取墨西哥草帽小波函数作为最小二乘支持向量机的核函数,设计一种基于小波核的多尺度最小二乘小波支持向量机。在此基础上,通过解二次优化问题求出多尺度回归建模问题的全局最优解,最终得出的多尺度回归模型能够有效地逼近多尺度信号。仿真结果表明,该算法具有较高的精度。

引用

页码：175 / 177+181 +181

页数：4

共 6 条

[1] 基于小波支持向量机的遥感影像融合
姚媛
胡根生
梁栋
[J]. 计算机工程, 2011, 37 (03) : 218 - 221
[2] 基于径向基小波核的多尺度小波支持向量机
任世锦
吴铁军
[J]. 电路与系统学报, 2008, (04) : 70 - 76+80
[3] 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
[4] Least squares support vector machine classifiers
Suykens, JAK
Vandewalle, J
[J]. NEURAL PROCESSING LETTERS, 1999, 9 (03) : 293 - 300
[5] The connection between regularization operators and support vector kernels
Smola, AJ
Scholkopf, B
Muller, KR
[J]. NEURAL NETWORKS, 1998, 11 (04) : 637 - 649
[6] Functions of Positive and Negative Type, and their Connection with the Theory of Integral Equations[J] . J. Mercer.Philosophical Transactions of the Royal Society o . 1909 (441-)

← 1 →