导读:本文包含了加权支持向量回归论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊加权机理,最小二乘支持向量回归,非线性统,建模方法
加权支持向量回归论文文献综述
熊中刚,刘忠,罗素莲[1]（2019）在《基于模糊加权最小二乘支持向量回归的非线性系统建模方法》一文中研究指出针对非线性系统建模时边界数据会产生较大的建模偏差、数据计算负荷大以及如何从数据集中选取K个近邻点才能保证其性能缺乏统一标准等问题,提出了基于模糊加权最小二乘支持向量回归的非线性系统建模方法。该方法融合了模糊加权机理与最小二乘支持向量回归的优点,通过引入重迭因子,在保证建模精度(均方根误差越小越好)的情况下,去除建模过程中的一些非重要数据,减小建模方法的运算时间,并能将全局与局部建模方法相融合有效解决局部建模方法所产生的边界效应问题。实验验证结果表明,分别对几种方法从训练/测试均方根误差、不同重迭因子、计算时间方面比较都有明显的有效性和优越性。(本文来源于《探测与控制学报》期刊2019年05期）
李松青,刘立龙,容静,周威,刘林波[2]（2019）在《基于支持向量机回归的大气加权平均温度》一文中研究指出提出一种基于支持向量机回归方法建立的以当地气象数据为输入参数、数值积分法计算的T_m为输出参数进行训练得到的大气加权平均温度模型。选取广西地区4个探空站提供的2013—2014年的气象数据和T_m数据为训练样本,2015年的两类数据为测试样本,取得最优的模型参数,并以此建立最优的T_m模型,然后计算2015年的T_m,将其结果与采用线性回归法建立的广西地区的单因素、多因素T_m模型的计算结果进行对比分析。结果表明,在选取最优模型参数的条件下,SVR建立的T_m模型比本地化的单因素和多因素T_m模型的精度更高,验证了支持向量机回归在T_m建模方面的可行性。(本文来源于《桂林理工大学学报》期刊2019年03期）
欧歌[3]（2018）在《基于距离加权支持向量回归的递归特征剔除研究》一文中研究指出随着大数据时代的到来,数据的样本数量和特征维度也随之增高,从这些高维数据中选取重要的特征建立精简有效的机器学习模型已经变得十分重要。在机器学习的实际应用中,特征数量往往较多,这些特征中可能有很多特征与要解决的实际问题并不相关,并且过多的特征也会带来计算量大、推广能力差等问题,而特征选择这一过程可以很大程度上避免过拟合现象,降低模型的复杂度,从而达到降低时空复杂度的目的。因此,研究特征选择算法对构建机器学习模型具有非常重要的意义。特征选择是模式识别中关键的数据预处理步骤,是提高学习算法性能的一个必要手段。常见的特征选择方法有很多,但这些方法往往属于通用方法,即它们没有考虑不同机器学习任务的特殊性。但是,有些特征选择方法则是与具体的机器学习模型相结合,并将该模型的建立融入到特征选择过程中,比如包裹法,而包裹法中最常用的方法就是递归特征剔除方法。在本文的研究问题中,主要考虑回归分析领域中的特征选择问题。由于递归特征剔除方法不仅可以实现很好的特征选择效果,同时具有处理高维数据的能力,因此,该方法为本文的研究方向。本文首先对原有的支持向量回归算法进行改进,提出了一种新的回归分析算法,即距离加权支持向量回归算法。该算法对噪声具有很好的鲁棒性,并且不易受到包括支持向量在内的边缘数据分布的影响,因此可以实现比较好的拟合效果。之后,本文基于距离加权支持向量回归算法,实现了一种特殊的递归特征剔除方法。该方法对参数变化不敏感,同时也具有很好的鲁棒性。基于距离加权支持向量的递归特征剔除法主要根据每个特征对距离加权支持向量回归算法的贡献大小进行排序,然后从特征集合中递归地剔除不重要的特征。最后,本文将新提出的方法在真实数据集上与其他常用的特征选择方法进行实验比较,如PCA、逐步回归、LASSO和基于支持向量回归的递归特征剔除法。另外,本文还进行一组随机实验,即将特征集合随机打乱,以此来验证实验的合理性。最终的实验结果表明本文的方法与其他方法相比在UCI数据集上具有更好的特征选择效果。(本文来源于《吉林大学》期刊2018-04-01）
邱思语,杨洪耕[4]（2016）在《改进的加权支持向量机回归的谐波发射水平估计方法》一文中研究指出提出一种利用改进的加权支持向量机回归估计系统谐波阻抗及谐波发射水平的新方法。根据公共连接点处谐波测量数据的差异,利用欧几里德距离作为加权指标修正支持向量机的误差要求,通过线性插值确定惩罚参数的加权参数,以此形成用于估计系统谐波阻抗的加权支持向量机回归模型,从而求解谐波发射水平。通过对仿真电路的理论分析和现场数据的实际应用,证明了所提方法能有效抑制背景谐波波动对估计结果的影响。(本文来源于《电工技术学报》期刊2016年05期）
程昊翔,王坚[5]（2016）在《密度加权孪生支持向量回归机》一文中研究指出为了使数据集的内在分布更好地影响训练模型,提出一种密度加权孪生支持向量回归机算法.该算法通过k近邻算法计算获得每个数据点基于数据密度分布的密度加权值,并将密度加权值引入到标准孪生支持向量回归机算法中.算法能够很好地反映训练数据集的内在分布,使数据点准确影响训练模型.通过6个UCI数据集上的实验结果分析验证了所提出算法的有效性.(本文来源于《控制与决策》期刊2016年04期）
金焱,褚政,张瑾[6]（2014）在《改进加权支持向量机回归方法器件易损性评估》一文中研究指出加权支持向量机回归算法,几乎都是以样本输入空间中的一个重要特征量的函数来确定权值,造成了在高维特征空间中作回归可能存在较大误差。针对这一问题,提出利用高维特征空间中的欧基里德距离来确定权值的方法,构造了一种改进的加权支持向量机回归算法,并将其应用到电子器件高功率微波易损性评估中。仿真结果表明:该方法具有比模糊神经网络法、标准支持向量机回归算法和一般的加权支持向量机回归算法更高的预测精度。由于增加了权值的计算过程,相对于标准支持向量机回归和模糊神经网络方法,该方法的效率较低,但与一般的加权支持向量机回归算法相当。(本文来源于《强激光与粒子束》期刊2014年12期）
尤志锋,石全,熊飞[7]（2014）在《基于加权支持向量回归的抢修时间估计模型》一文中研究指出已有的抢修时间估计模型大都印有平时维修的痕迹,不能很好的反应战场抢修的随机性、多样性、时效性等特点。分析并设计了影响抢修时间的因素及其赋值方法,用复杂性来度量抢修任务本身的属性。将抢修时间估计问题转为抢修时间对其影响因素的非线性回归问题,引入在处理小样本、非线性问题时有较大优势的支持向量机,利用遗传算法对支持向量回归的参数进行优化;实验结论证明模型的估计精度较高、泛化能力较强;从一个新的角度估计抢修时间,结果更合理,能为抢修决策以及抢修训练提供良好的帮助。(本文来源于《现代防御技术》期刊2014年04期）
卫太祥,马光文,黄炜斌[8]（2012）在《基于惩罚加权支持向量机回归的径流预测模型》一文中研究指出径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。(本文来源于《水力发电学报》期刊2012年06期）
赵云,肖嵬,陈阿林[9]（2012）在《基于加权支持向量回归的网络流量预测》一文中研究指出网络流量预测对于网络的安全和可用性至关重要,但是,传统的网络流量预测方法使用平均时间加权的方法进行预测,缺泛化能力导致预测精度低。基于每一个网络流量历史数据到预测点的时间间隔计算其时间权重,使用带时间权重的加权支持向量回归模型w-SVR预测网络流量。该模型因为其泛化能力和为每个训练数据设置单独的权重而提高了网络流量预测的准确性。模拟实验显示w-SVR模型相对于ANN和AR模型,预测错误率分别降低了37.4%和65.6%,而标准误差降低了46.2%和53.3%。(本文来源于《计算机工程与应用》期刊2012年21期）
苏伟生,赵永平,孙健国[10]（2012）在《一种新的加权最小二乘支持向量回归机及其对性能退化航空发动机推力估计的应用(英文)》一文中研究指出要实现航空发动机的性能退化缓解控制,需要设计一个高精度并具有良好实时性的推力估计器。针对这种需要,本文提出了一种新的加权最小二乘支持向量回归机,并在此基础上设计了性能退化推力估计器。和现有的加权策略相比较,基于此新的加权策略的推力估计器不仅能满足性能退化缓解控制对精度的要求也能满足实时性的要求。最后,仿真实验证明此加权最小二乘支持向量回归机以及基于此回归机设计的推力估计器的有效性和可行性。(本文来源于《Transactions of Nanjing University of Aeronautics & Astronautics》期刊2012年01期）
加权支持向量回归论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出一种基于支持向量机回归方法建立的以当地气象数据为输入参数、数值积分法计算的T_m为输出参数进行训练得到的大气加权平均温度模型。选取广西地区4个探空站提供的2013—2014年的气象数据和T_m数据为训练样本,2015年的两类数据为测试样本,取得最优的模型参数,并以此建立最优的T_m模型,然后计算2015年的T_m,将其结果与采用线性回归法建立的广西地区的单因素、多因素T_m模型的计算结果进行对比分析。结果表明,在选取最优模型参数的条件下,SVR建立的T_m模型比本地化的单因素和多因素T_m模型的精度更高,验证了支持向量机回归在T_m建模方面的可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
加权支持向量回归论文参考文献
[1].熊中刚,刘忠,罗素莲.基于模糊加权最小二乘支持向量回归的非线性系统建模方法[J].探测与控制学报.2019
[2].李松青,刘立龙,容静,周威,刘林波.基于支持向量机回归的大气加权平均温度[J].桂林理工大学学报.2019
[3].欧歌.基于距离加权支持向量回归的递归特征剔除研究[D].吉林大学.2018
[4].邱思语,杨洪耕.改进的加权支持向量机回归的谐波发射水平估计方法[J].电工技术学报.2016
[5].程昊翔,王坚.密度加权孪生支持向量回归机[J].控制与决策.2016
[6].金焱,褚政,张瑾.改进加权支持向量机回归方法器件易损性评估[J].强激光与粒子束.2014
[7].尤志锋,石全,熊飞.基于加权支持向量回归的抢修时间估计模型[J].现代防御技术.2014
[8].卫太祥,马光文,黄炜斌.基于惩罚加权支持向量机回归的径流预测模型[J].水力发电学报.2012
[9].赵云,肖嵬,陈阿林.基于加权支持向量回归的网络流量预测[J].计算机工程与应用.2012
[10].苏伟生,赵永平,孙健国.一种新的加权最小二乘支持向量回归机及其对性能退化航空发动机推力估计的应用(英文)[J].TransactionsofNanjingUniversityofAeronautics&Astronautics.2012
标签：模糊加权机理; 最小二乘支持向量回归; 非线性统; 建模方法;