用于回归估计的支持向量机方法

被引：139

作者：

杜树新

吴铁军

机构：

[1] 浙江大学工业控制技术国家重点实验室

[2] 浙江大学智能系统与决策研究所

来源：

系统仿真学报 | 2003年 / 11期

关键词：

支持向量机; 回归估计; 预测预报; 建模与控制;

D O I：

10.16182/j.cnki.joss.2003.11.023

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

用于回归估计的支持向量机方法以可控制的精度逼近非线性函数,具有全局最优、良好泛化能力等优越性能,得到广泛的研究。描述了该方法的基本思想,着重讨论了n-SVM、最小二乘SVM、加权SVM、线性SVM等支持向量机的新方法,降低训练时间和减少计算复杂性的分解法、SMO及增量学习算法。在非线性系统参数辨识、预测预报、建模与控制研究中,支持向量机是很有发展前途的研究方法。

引用

页码：1580 / 1585+1633 +1633

页数：7

共 9 条

[1] 统计学习理论的本质[M]. 清华大学出版社 , (美)VladimirN.Vapnik著, 2000
[2] Modified support vector machines in financial time series forecasting[J] . Francis E.H. Tay,L.J. Cao.Neurocomputing . 2002 (1)
[3] 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)
[4] ε-descending support vector machines for financial time series forecasting
Tay, FEH
Cao, LJ
[J]. NEURAL PROCESSING LETTERS, 2002, 15 (02) : 179 - 195
[5] Feasible Direction Decomposition Algorithms for Training Support Vector Machines
Pavel Laskov
[J]. Machine Learning, 2002, 46 : 315 - 349
[6] Efficient SVM Regression Training with SMO
Gary William Flake
Steve Lawrence
[J]. Machine Learning, 2002, 46 : 271 - 290
[7] Application of support vector machines in financial time series forecasting
Tay, FEH
Cao, LJ
[J]. OMEGA-INTERNATIONAL JOURNAL OF MANAGEMENT SCIENCE, 2001, 29 (04): : 309 - 317
[8] New support vector algorithms
Schölkopf, B
Smola, AJ
Williamson, RC
Bartlett, PL
[J]. NEURAL COMPUTATION, 2000, 12 (05) : 1207 - 1245
[9] Fuzzy support vector machines. Lin C F, Wang S D. IEEE ACM Transactions on Networking . 2002

← 1 →