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74頁未讀, 繼續(xù)免費閱讀

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),請進行舉報或認領(lǐng)

文檔簡介

1、支持向量機SVM是實現(xiàn)統(tǒng)計學(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在模式識別、回歸分析和預(yù)測、密度估計等領(lǐng)域都得到了實際應(yīng)用。當(dāng)SVM用于回歸分析和預(yù)測時,通常稱其為支持向量回歸機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SVR更具魯棒性,從而對樣本數(shù)據(jù)噪聲產(chǎn)生盡可能強的抑制能力,是一個有著重要的理論價值和應(yīng)用價值的課題。本文的主要目的就是研究當(dāng)輸入樣本含有兩種典型的噪聲--拉斯噪聲和

2、均勻噪聲的情況下如何選擇SVR的參數(shù)使SVR具有更強的魯棒性。 首先,本文研究了Huber-SVR的魯棒性的問題,即著重研究了當(dāng)輸入樣本噪聲為拉斯模型和均勻模型時,Huber-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)Huber-SVR的魯棒性最佳時,Huber-SVR中的參數(shù)μ與輸入拉斯噪聲和均勻噪聲的標準差σ間均呈近似線性關(guān)系。 其次,本文研究了r-SVR的魯棒性的問題,即著重研究了當(dāng)輸入樣本噪聲為拉

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(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確性、安全性和完整性, 同時也不承擔(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。

評論

0/150

提交評論