版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、本論文主要研究了支持向量機(SupportVectorMachine,簡稱SVM)增量型訓練算法及其在控制領(lǐng)域中的應(yīng)用。支持向量機(SupportVectorMachines,簡稱SVM)是由Vapnik等人于上世紀末提出的一種嶄新的學習機器,它是統(tǒng)計學習理論的核心部分,是處理小樣本學習的有效工具。支持向量機作為統(tǒng)計學習理論的實現(xiàn)方法,有效克服了神經(jīng)網(wǎng)絡(luò)方法收斂慢、解不穩(wěn)定、推廣性差的缺點,近年來受到了很大重視,在模式識別、信號處理、控
2、制、通訊等方面得到了廣泛應(yīng)用,也成為了機器學習領(lǐng)域理論研究的新熱點。 目前已有一些成熟的支持向量機訓練算法得到廣泛的應(yīng)用,比如chunking算法、分解算法,以及最著名的SMO算法等。然而這些算法無一例外都是只能夠離線應(yīng)用的訓練算法,對支持向量機在線訓練算法的研究還很少,因此本文在已有成果的基礎(chǔ)之上,重點地研究了增量型的支持向量機訓練算法。增量型的支持向量機訓練算法的一個重要特點是可以用于實時在線訓練支持向量機的模型,這將大大擴
3、展支持向量機的應(yīng)用范圍。 論文主要內(nèi)容如下:首先針對常規(guī)增量型的支持向量機訓練算法存在的問題(比如邊緣支持向量集合為空時算法無效、算法訓練速度慢等)進行了深入的分析,得到有效的改進方法,大大提高了算法的建模性能和實用性。通過仿真實驗驗證了改進的增量型支持向量機訓練算法的有效性。 其次本文把增量型的支持向量機訓練算法應(yīng)用到控制領(lǐng)域中來,結(jié)合經(jīng)典的控制算法(比如直接逆控制、內(nèi)模控制、預(yù)測控制等),構(gòu)造出一些有效的在線控制算法
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 增量支持向量機回歸算法及其應(yīng)用研究.pdf
- 支持向量機增量算法.pdf
- 支持向量回歸增量學習算法研究.pdf
- 多分類支持向量機增量算法及在認知無線電系統(tǒng)中的應(yīng)用.pdf
- 支持向量機增量學習算法研究.pdf
- 支持向量機增量學習算法的研究與應(yīng)用.pdf
- 支持向量機回歸算法的研究與應(yīng)用.pdf
- 增量支持向量機學習算法研究.pdf
- 基于支持向量機的混合增量學習算法與應(yīng)用.pdf
- 支持向量機回歸算法與應(yīng)用研究.pdf
- 基于向量投影的支持向量機增量學習算法.pdf
- 支持向量機的增量學習算法研究.pdf
- 新的支持向量機增量學習算法.pdf
- 決策樹及支持向量機回歸算法在麥蚜發(fā)生程度預(yù)測中的應(yīng)用.pdf
- 支持向量回歸算法的研究及應(yīng)用.pdf
- 支持向量回歸機在藥品銷售預(yù)測中的分析及應(yīng)用.pdf
- 用于回歸估計的支持向量機的學習算法及應(yīng)用.pdf
- 模糊支持向量機的增量學習算法研究.pdf
- 基于加權(quán)增量的支持向量機分類算法研究.pdf
- 支持向量回歸機在基金凈值預(yù)測中的應(yīng)用.pdf
評論
0/150
提交評論