支持向量机回归理论与控制的综述

被引：50

作者：

王定成

方廷健

唐毅

马永军

机构：

[1] 中国科学技术大学自动化系

[2] 中国科学院合肥智能机械研究所

来源：

模式识别与人工智能 | 2003年 / 16卷 / 02期

关键词：

支持向量机回归(SVMR); 建模; 控制;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

支持向量机回归理论与神经网络等非线性回归理论相比具有许多独特的优点。SVMR有线性回归和非线性回归,其模型的选择包括核的选择、容量控制以及损失函数的选择。SVMR在控制方面的研究包括非线性时间序列的预测及应用、系统辨识以及优化控制和学习控制等方面的研究。将SVMR应用于控制方法的研究,是智能控制的一个崭新的研究方向,具有广阔的应用前景。

引用

页码：192 / 197

页数：6

共 8 条

[1] 支持向量机回归在线建模及应用
王定成
方廷健
高理富
马永军
[J]. 控制与决策, 2003, (01) : 89 - 91+95
[2] 关于统计学习理论与支持向量机
张学工
[J]. 自动化学报, 2000, (01) : 36 - 46
[3] On the modelling of nonlinear dynamic systems using support vector neural networks
Chan, WC
Chan, CW
Cheung, KC
Harris, CJ
[J]. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE, 2001, 14 (02) : 105 - 113
[4] Optimal control by least squares support vector machines
Suykens, JAK
Vandewalle, J
De Moor, B
[J]. NEURAL NETWORKS, 2001, 14 (01) : 23 - 35
[5] SUPPORT-VECTOR NETWORKS
CORTES, C
VAPNIK, V
[J]. MACHINE LEARNING, 1995, 20 (03) : 273 - 297
[6] On Using a Support Vector Machine in Learning feed-forward control .2 Kruif B J,Vries T J. Proceedings of IEEE/ASME International Conference on Advanced Intelligent Mechatronics[C] , Coma, Italy . 2001
[7] Algorithmic approaches to training support vectormachines:A survey .2 C.Campbell. European Symposium on ArtificialNeural Networks(ESANN) . 2000
[8] Advances in Neural Information Processing Systems .2 Vapnik V,Golowich S,Smola A. MIT Press . 1997

← 1 →