在线鲁棒最小二乘支持向量机回归建模

被引：14

作者：

张淑宁 ^{[1
]}

王福利 ^{[1
,2
]}

何大阔 ^{[1
,2
]}

贾润达 ^{[1
]}

机构：

[1] 东北大学信息科学与工程学院

[2] 东北大学流程工业综合自动化国家重点实验室

来源：

控制理论与应用 | 2011年 / 28卷 / 11期

关键词：

鲁棒学习算法; 最小二乘支持向量机; 鲁棒性; 非线性;

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：

鉴于工业过程的时变特性以及现场采集的数据通常具有非线性特性且包含离群点,利用最小二乘支持向量机回归(least squares support vector regression,LSSVR)建模易受离群点的影响.针对这一问题,结合鲁棒学习算法(robust learning algorithm,RLA),本文提出了一种在线鲁棒最小二乘支持向量机回归建模方法.该方法首先利用LSSVR模型对过程输出进行预测,与真实输出相比较得到预测误差;然后利用RLA方法训练LSSVR模型的权值,建立鲁棒LSSVR模型;最后应用增量学习方法在线更新鲁棒LSSVR模型,从而得到在线鲁棒LSSVR模型.仿真研究验证了所提方法的有效性.

引用

页码：1601 / 1606

页数：6

共 4 条

[1] 铁水硅含量的混沌粒子群支持向量机预报方法
唐贤伦
庄陵
胡向东
[J]. 控制理论与应用, 2009, 26 (08) : 838 - 842
[2] Online weighted LS-SVM for hysteretic structural system identification
Tang, He-Sheng
Xue, Song-Tao
Chen, Rong
Sato, Tadanobu
[J]. ENGINEERING STRUCTURES, 2006, 28 (12) : 1728 - 1735
[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] Least squares support vector machine classifiers
Suykens, JAK
Vandewalle, J
[J]. NEURAL PROCESSING LETTERS, 1999, 9 (03) : 293 - 300

← 1 →