一种大样本学习最小二乘支持向量回归模型
针对最小二乘支持向量回归大样本学习效率偏低的问题,提出了一种最小二乘支持向量回归快速学习算法模型.首先将欧氏距离进行推广,设计了一种支持向量回归高维特征空间相似性测度标准,然后构建了无监督核聚类分析支持向量选择算法,再通过Nystr?m方法逼近原最小二乘支持向量回归学习问题的解.最后采用Sinc函数和多个数据集测试了模型的性能.实验结果表明,在预测误差没有明显下降的情况下,该模型能克服最小二乘支持向量回归处理大样本学习问题时的内存溢出错误,显著提高其学习效率.
大样本学习、最小二乘支持向量回归、核聚类、Nystr?m逼近
24
TP18(自动化基础理论)
国家自然科学基金61074185;广东省自然科学基金2015A030310257、2014A030310380
2017-10-27(万方平台首次上网日期,不代表论文的发表时间)
共6页
1768-1773