计算机科学 ›› 2017, Vol. 44 ›› Issue (Z11): 428-431.doi: 10.11896/j.issn.1002-137X.2017.11A.091
刘畅,范彬
LIU Chang and FAN Bin
摘要: 支持向量机是一种以统计学习理论为基础的机器学习算法,着重解决小样本的建模问题,并且对非线性高维数据具有较好的处理能力。通常对于多维特征的数据,会对每一维数据做归一化处理以消除量纲的影响,但缺点在于忽视了各维特征的权重差异。提出了一种加权最小二乘支持向量机的建模方法,通过熵值法确定每一维特征的权重,根据特征权重对数据进行加权处理,最后由最小二乘支持向量机建立该系统模型。实验表明,对于多维特征的数据,所提方法具有更好的建模效果。
[1] HAYKIN S.Neural Networks:A Comprehensive Foundation[M].Macmillan,1998:71-80. [2] 焦李成.神经网络系统理论[M].西安电子科技大学出版社,1990. [3] 张木想,马缚龙,肖国镇.神经网络优化计算的新方法[J].电子学报,1993(7):1-7. [4] UKIL A.Support Vector Machine[J].Computer Science,2002,1(4):1-28. [5] SUYKENS J A K,GESTEL T V,BRABANTER J D,et al.Least Square Support Vector Machine[J].Euphytica,2002,2(2):1599-1604. [6] 阎威武,邵惠鹤.支持向量机和最小二乘支持向量机的比较及应用研究[J].控制与决策,2003,18(3):358-360. [7] 李盼池,许少华.支持向量机在模式识别中的核函数特性分析[J].计算机工程与设计,2005,26(2):302-304. [8] 巩知乐,张德贤,胡明明.一种改进的支持向量机的文本分类算法[J].计算机仿真,2009,26(7):164-167. [9] 何江平,文俊浩,邓恬洁,等.基于支持向量机的图像识别[J].重庆大学学报(自然科学版),2006,29(1):57-60. [10] 叶美盈,汪晓东,张浩然.基于在线最小二乘支持向量机回归的混沌时间序列预测[J].物理学报,2005,54(6):2568-2573. [11] 柳小桐.BP神经网络输入层数据归一化研究[J].机械工程与自动化,2010(3):122-123. [12] 刘冲,赵海滨,李春胜,等.基于频带能量归一化和SVM-RFE的ECoG分类[J].仪器仪表学报,2011,32(3):534-539. [13] 常军,李祯,朱业玉,等.基于支持向量机(SVM)方法的冬季温度预测[J].气象科技,2005(s1):102-106. [14] 黄安民,焦淑菲,任海青,等.支持向量机结合近红外光谱法测定杉木木质素的含量[J].林产化学与工业,2009,29(5):1-5. [15] 郭显光.熵值法及其在综合评价中的应用[J].财贸研究,1994(6):56-60. [16] PENG X,XU D.Twin Mahalanobis distance-based support vector machines for pattern recognition[J].Information Sciences,2012,200(1):22-37. |
No related articles found! |
|