基于SVM与BP的分类与回归比较研究

被引：19

作者：

肖晓 ^{[1
]}

徐启华 ^{[2
]}

机构：

[1] 中国矿业大学信息与电气工程学院

[2] 淮海工学院电子工程学院

来源：

关键词：

支持向量机; BP神经网络; 分类; 回归; 泛化能力;

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：

支持向量机是一种基于统计学习理论的机器学习方法,由于其出色的学习性能,已经广泛应用于解决分类与回归问题。对比研究支持向量机和BP神经网络在分类与回归上的异同,通过仿真实验分析两者在测试集上分类与回归的泛化能力,研究表明支持向量机的泛化能力要优于BP神经网络。

引用

页码：48 / 53

页数：6

共 8 条

[1] 一种SGF和SVM相结合的纹理分类方法 [J].

何凯 ;

庞鹏飞 ;

葛静祥 .

[2] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

[3]

BP神经网络泛化能力改进研究.[D].夏玫.太原科技大学.2009, 06

[4]

BP神经网络学习算法的研究.[D].刘彩红.重庆师范大学.2008, 01

[5]

BP神经网络与支持向量机二级识别手写体数字.[D].王树海.北京邮电大学.2007, 05

[6]

基于支持向量的径向基函数神经网络的训练算法.[D].边后琴.武汉科技大学.2002, 02

[7]

不确定性支持向量机.[M].杨志民; 刘广利; 著.科学出版社.2012,

[8]

支持向量机理论及工程应用实例.[M].白鹏等; 编著.西安电子科技大学出版社.2008,