2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩91頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、支持向量機(jī)SVM是實(shí)現(xiàn)統(tǒng)計(jì)學(xué)習(xí)理論的通用學(xué)習(xí)方法,其優(yōu)異的泛化性能使得支持向量機(jī)在模式識(shí)別、回歸分析和預(yù)測、密度估計(jì)等領(lǐng)域都得到了實(shí)際應(yīng)用。當(dāng)SVM用于回歸分析和預(yù)測時(shí),通常稱其為支持向量回歸機(jī)SVR。在回歸分析中,樣本數(shù)據(jù)通常含有噪聲。如何選擇合適的參數(shù)使得支持向量回歸機(jī)SVR更具魯棒性,從而對樣本數(shù)據(jù)噪聲產(chǎn)生盡可能強(qiáng)的抑制能力,是一個(gè)有著重要的理論價(jià)值和應(yīng)用價(jià)值的課題。本文的主要目的就是研究常見的兩種SVR的參數(shù)與輸入樣本數(shù)據(jù)的噪聲

2、間的關(guān)系,從而為魯棒的SVR的參數(shù)選擇提供理論依據(jù)。 首先研究了SVR的魯棒性的問題,即著重研究了當(dāng)輸入樣本噪聲為高斯模型時(shí),Huber-SVR和r范數(shù)-SVR的參數(shù)選擇問題,并在貝葉斯框架下推導(dǎo)出了以下結(jié)論:當(dāng)SVR的魯棒性最佳時(shí),Huber-SVR中的參數(shù)μ與輸入高斯噪聲的標(biāo)準(zhǔn)差σ間呈近似線性關(guān)系;r范數(shù)-SVR的參數(shù)r與輸入高斯噪聲的標(biāo)準(zhǔn)差σ間呈近似線性反比關(guān)系。這兩個(gè)結(jié)論亦得到了實(shí)驗(yàn)的證實(shí)。 還以圖像恢復(fù)為應(yīng)用背

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(huì)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(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)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

評(píng)論

0/150

提交評(píng)論