简介:为了预测某导弹陀螺漂移趋势,以该陀螺漂移角速度时间序列为对象,建立了基于支持向量回归机的预测模型。针对该预测模型的特点,提出了支持向量预选取的模型优化方法。基于ε不敏感损失函数的支持向量回归机具有稀疏性,其结构由支持向量决定。因此从训练样本集中预选出有可能成为支持向量的样本,精简样本规模是提高该类支持向量回归机训练和预测效率的有效方法。针对该类支持向量回归机从分类和回归两个角度分析了支持向量的几何特征,提出了核函数空间免疫聚类的支持向量预选取方法并用于某导弹陀螺漂移预测模型的数据预处理。仿真结果表明优化后的预测模型运算量小、建模速度快,精度高。
简介:结合支持向量机和神经网络各自的优点,提出了一种新颖的自适应支持向量回归神经网络(SVR—NN).首先,利用支持向量回归方法确定SVR—NN的初始结构和初始化权值,基于支持向量自适应地构造SVR—NN神经网络的隐层节点;然后,使用退火过程的鲁棒学习算法更新网络节点参数和权值.为了验证所提出方法的有效性,给出了自适应SVR-NN应用于非线性动态系统辨识的实例.仿真结果表明,与以前的神经网络方法相比,基于SVR-NN网络的辨识方案能获得相当好的性能,它具有很快的收敛速度.因此,自适应的SVR—NN为非线性系统辨识提供了极有吸引力的新途径.
简介:本文研究部分变系数动态模型,一些参数的值可以成为协变量的函数,并提出了参数和非参数函数系数的估计。本文提出一个基于支持向量机分位数回归的部分变系数动态模型,及它的三步估计法和迭代加权最小二乘法估计模型的参数和非参数函数,提出的方法能被简单有效地应用到线性和非线性分位数回归光滑变量的高维情况。同时,本文也提出模型的惩罚参数、核参数的选择方法——交叉验证方法。
简介:以氨基酸组成为特征对膜蛋白的分类,忽略了序列残基之间的相关性信息,而采用传统支持向量机算法作为分类算法,在解决多类问题时会出现分类盲区问题。针对这两种情况,计算蛋白质序列的氨基酸组成、二肽组成以及6种氨基酸相关系数,将三类特征结合,作为膜蛋白序列的特征向量;同时采用模糊支持向量机作为分类器,解决了传统支持向量机在多类数据识别中的盲区问题。测试结果表明,在相同特征输入下,模糊支持向量机分类性能优于传统支持向量机;在相同分类器的情况下,氨基酸组成、二肽组成和相关系数组合的特征选择方法的分类性能优于只使用其中一类或两类特征的方法;而采取组合特征和模糊支持向量机相结合的分类策略,在独立性数据集测试中的整体预测精度达到97%,优于现有的多种分类策略,是目前最有效的膜蛋白分类方法之一。