系统辨识中支持向量机核函数及其参数的研究

被引：77

作者：

荣海娜

张葛祥

金炜东

机构：

[1] 西南交通大学电气工程学院

来源：

系统仿真学报 | 2006年 / 11期

关键词：

支持向量机; 核函数; 系统辨识; 非线性系统;

D O I：

10.16182/j.cnki.joss.2006.11.050

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

具有不同核函数和参数的支持向量机(SVM)的性能存在很大差异,核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后,重点对常用的核函数及其参数的选择进行了研究,并采用具有不同核函数的SVM进行非线性系统辨识。大量实验结果表明,采用SVM方法进行系统辨识时,径向基核函数(RBKF)比其它核函数的辨识效果好,且RBKF的参数选择较容易,当参数在有效范围内改变时,空间复杂度变化小,易于实现。因此,RBKF是系统辨识SVM的较好选择。

引用

页码：3204 / 3208+3226 +3226

页数：6

共 6 条

[1]

统计学习理论[M]. 电子工业出版社 , (美)瓦普尼克（VladimirN.Vapnik）著, 2004

[2]

统计学习理论的本质[M]. 清华大学出版社 , (美)VladimirN.Vapnik著, 2000

[3]

On a Kernel-Based Method for Pattern Recognition, Regression, Approximation, and Operator Inversion[J] . A. J. Smola,B. Sch?lkopf.Algorithmica . 1998 (1)

[4] A tutorial on Support Vector Machines for pattern recognition [J].

Burges, CJC .

DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167

[5]

Advances in Kernel Methods: Support Vector Learning. J. C. Platt. MIT Press . 1999

[6]

A Practical Guide to Support Vector Classification. C W Hsu,C C Chang,C J Lin. http://www.csie.ntu.edu.tw/cjlin . 2004

← 1 →