动态粒度支持向量回归机
粒度支持向量机(granular support vector machine,简称 GSVM)可以有效提高支持向量机(support vector machine,简称 SVM)的学习效率,但由于经典GSVM 通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低。针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型。该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划。然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划。如此循环迭代,直到没有信息粒需要进行深层粒划时为止。最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来。在基准函数数据集及 UCI 上的回归数据集上的实验结果表明,DGSVR 方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能。
支持向量回归、动态粒度支持向量回归、动态粒划、信息粒、半径、密度
TP181(自动化基础理论)
国家自然科学基金60975035,61273291;山西省回国留学人员科研基金2012008;山西省研究生教育创新项目20133001
2014-01-07（万方平台首次上网日期，不代表论文的发表时间）
共13页
2535-2547
