基于鲁棒学习的最小二乘支持向量机及其应用

被引：22

作者：

张淑宁 ^{[1
]}

王福利 ^{[1
,2
]}

尤富强 ^{[1
,2
]}

贾润达 ^{[1
]}

机构：

[1] 不详

[2] 东北大学信息科学与工程学院

[3] 不详

[4] 东北大学流程工业综合自动化教育部重点实验室

[5] 不详

来源：

控制与决策 | 2010年 / 08期

关键词：

最小二乘支持向量机; 奇异点; 鲁棒学习; 鲁棒估计; 草酸钴合成过程;

D O I：

10.13195/j.cd.2010.08.52.zhangshn.027

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

鉴于最小二乘支持向量机比标准支持向量机具有更高的计算效率和拟合精度,但缺少标准支持向量机的鲁棒性,即当采样数据存在奇异点或者误差变量的高斯分布假设不成立时,会导致不稳健的估计结果,提出了一种鲁棒最小二乘支持向量机方法.该方法在最小二乘支持向量机基础上,通过引入鲁棒学习方法来获得鲁棒估计.仿真分析及某湿法冶金厂的应用实例验证了该方法的可行性和有效性.

引用

页码：1169 / 1172+1177 +1177

页数：5

共 7 条

[1] 基于鲁棒最小二乘支持向量机的气动参数拟合 [J].

甘旭升 ;

张洪才 ;

程咏梅 ;

熊先哲 .

计算机工程与应用, 2007, (31) :233-235+239

[2] 基于鲁棒最小二乘支持向量机的电机振动故障诊断 [J].

王华秋 ;

刘全利 ;

王越 ;

廖晓峰 .

中国电机工程学报, 2007, (30) :97-102

[3] 基于支持向量机的软测量方法及其在生化过程中的应用 [J].

常玉清 ;

王福利 ;

王小刚 ;

吕哲 .

仪器仪表学报, 2006, (03) :241-244+271

[4]

Weighted least squares support vector machines: robustness and sparse approximation[J] . J.A.K. Suykens,J. De Brabanter,L. Lukas,J. Vandewalle.Neurocomputing . 2002 (1)

[5] Multiple outlier detection for multivariate calibration using robust statistical techniques [J].

Pell, RJ .

CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, 2000, 52 (01) :87-104

[6] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[7] ROBUSTIZATION OF A LEARNING-METHOD FOR RBF NETWORKS [J].

SANCHEZ, VD .

NEUROCOMPUTING, 1995, 9 (01) :85-94

← 1 →