支持向量机与RBF神经网络回归性能比较研究

被引：42

作者：

刘苏苏

孙立民

机构：

[1] 烟台大学计算机学院

来源：

计算机工程与设计 | 2011年 / 32卷 / 12期

关键词：

支持向量机; RBF神经网络; 逼近能力; 泛化能力; 回归;

D O I：

10.16208/j.issn1000-7024.2011.12.002

中图分类号：

TP183 [人工神经网络与计算]; O212.1 [一般数理统计];

学科分类号：

摘要：

支持向量机与RBF神经网络相比各有优缺点,通过对支持向量机与RBF神经网络的研究,从理论上分析了这两种学习机在回归预测原理上的异同,通过仿真实验对比了两者在测试集上的逼近能力及泛化能力。仿真结果表明,对于小样本集,支持向量机的逼近能力及泛化能力要优于RBF神经网络。对实际应用中回归模型的选择问题提出了建议。

引用

页码：4202 / 4205

页数：4

共 10 条

[1] RBF神经网络的结构动态优化设计[J]. 乔俊飞,韩红桂.自动化学报. 2010(06)
[2] 支持向量机回归的参数选择方法
闫国华
朱永生
[J]. 计算机工程, 2009, 35 (14) : 218 - 220
[3] 一种基于免疫系统的RBF网络在线训练方法
臧小刚
宫新保
常成
凌小峰
唐斌
[J]. 电子学报, 2008, (07) : 1396 - 1400
[4] 基于RBF神经网络的人脸识别
朱树先
张仁杰
郑刚
[J]. 光学仪器, 2008, (02) : 31 - 33
[5] 一种优化的RBF神经网络在调制识别中的应用
叶健
葛临东
吴月娴
[J]. 自动化学报, 2007, (06) : 652 - 654
[6] 支持向量机最优模型选择的研究
刘向东
骆斌
陈兆乾
[J]. 计算机研究与发展, 2005, (04) : 576 - 581
[7] 支持向量机在模式识别中的核函数特性分析
李盼池
许少华
[J]. 计算机工程与设计, 2005, (02) : 302 - 304
[8] 数据挖掘中的新方法[M]. - 科学出版社 , 邓乃扬, 2004
[9] An efficient kernel matrix evaluation measure
Nguyen, Canh Hao
Ho, Tu Bao
[J]. PATTERN RECOGNITION, 2008, 41 (11) : 3366 - 3372
[10] Self-generation RBFNs using evolutional PSO learning[J] . Hsuan-Ming Feng.Neurocomputing . 2006 (1)

← 1 →