用簡化的孿生支持向量回歸機同步學習函數(shù)及其導數(shù).pdf

1、孿生支持向量回歸(Twin Support Vector Regression，TSVR)算法是在Jayadeva等提出的孿生支持向量機(TSVM)基礎上的一種新回歸算法。其基本思想是構造一對非平行的超平面，它們分別確定目標回歸函數(shù)的ε-不敏感上、下界函數(shù)，最終目標函數(shù)取為上、下界函數(shù)的平均值。而簡化的孿生支持向量回歸(Reduced TwinSupport Vector Regression，RTSVR)算法是通過引入矩形核的概念，將

2、孿生支持向量回歸機中的QPP簡化。同步研究函數(shù)及其導數(shù)問題，在很多領域都有廣泛應用。本文圍繞著如何運用簡化的孿生支持向量回歸機同步學習函數(shù)及其導數(shù)這個課題，展開了以下的工作：
　　 本文分析了傳統(tǒng)的支持向量回歸(SVR)和正則化的最小二乘支持向量回歸(RLSVR)兩種基本的同步學習函數(shù)及其導數(shù)的方法；研究了將TSVR算法運用到同步學習函數(shù)及其導數(shù)的問題上，并分別討論了同時學習單個實變量及多個實變量的實值函數(shù)及其導數(shù)的問題。分析該

3、算法的學習精度及其收斂性。通過實驗比較SVR、RLSVR、TSVR這三種算法的優(yōu)缺點。
　　 大量的實驗表明TSVR算法在多于一個變量的回歸中較其它兩種算法有更好的學習精度，并且在大型數(shù)據(jù)集中保持了較好的稀疏性。但在大型數(shù)據(jù)集下，解決QPP產生的巨大計算量使得學習效率低下。本文進一步通過引入矩形核的概念改進了TSVR算法，提出了簡化的孿生支持向量回歸算法。實驗結果表明簡化后的新算法有效的減少了訓練所耗時間，促進了它在大型數(shù)據(jù)集情