导读:本文包含了多输出支持向量回归机论文开题报告文献综述及选题提纲参考文献，主要关键词:最小二乘支持向量回归,直觉模糊,多输出,风气象预测
多输出支持向量回归机论文文献综述
王定成,陆一祎,邹勇杰[1]（2019）在《多输出直觉模糊最小二乘支持向量回归算法》一文中研究指出支持向量机回归是一种重要的机器学习算法,虽然已成功应用于多个领域,但针对复杂系统,单输出支持向量回归算法的训练时间过长并且缺乏实用性。多输出直觉模糊最小二乘支持向量回归(Intuitionistic Fuzzy Least Squares Support Vector Regression,IFLS-SVR)在多输出支持向量机的基础上引入了直觉模糊,解决了不确定多输出复杂系统问题,减少了训练时间。生活中复杂的多输出模型更为常见,文中在传统支持向量回归的基础上对其进行改进,提出多输出IFLS-SVR模型。多输出IFLS-SVR采用直觉模糊算法将实际数据转化为模糊数据,将二次规划优化问题转化为求解一系列线性方程组。与现有的模糊支持向量回归相比,多输出IFLS-SVR采用直觉模糊方法来计算隶属度函数,采用最小二乘法提高了算法的训练效率,减少了训练时间,获得了更精确的解。仿真结果表明,与其他方法相比,多输出IFLS-SVR取得了较好的效果。最后将多输出IFLS-SVR模型应用于复杂的风速风向预测,也取得了较好的效果。(本文来源于《计算机科学》期刊2019年05期）
杨飞豹,高国强,宋臻杰,袁海满,高波[2]（2018）在《基于频域介电谱和多输出支持向量回归的变压器油纸绝缘状态评估》一文中研究指出为分别评估变压器油纸绝缘的老化程度和水分含量,文中通过加速热老化试验和吸潮实验制备了不同老化程度下含水量不同的油浸绝缘纸试品,测试了试品的介损因数频谱和阻抗相位频谱,分析了老化、水分对油纸绝缘频域介电谱特性的影响。采用多输出支持向量回归算法(multi-output support vectorregression,M-SVR)逼近频域介电谱曲线与油纸绝缘老化和水分之间的非线性映射关系,据此预测油纸绝缘试品的老化程度和水分含量。研究表明,对于含水量在0.5～5.6%范围内、具有不同老化程度的试品,M-SVR对含水量的预测精度较高,而对老化程度的预测精度较低,且均高于RBF神经网络;根据油纸绝缘试品的聚类分析结果,发现与老化程度相关性较大的第1、2类试品,M-SVR对其老化程度的预测精度明显提高,含水量预测精度变化不大。(本文来源于《高压电器》期刊2018年12期）
戴鹏,周平,梁延灼,柴天佑[3]（2019）在《基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用》一文中研究指出提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.(本文来源于《控制理论与应用》期刊2019年01期）
赵友志[4]（2017）在《多输出数据依赖核支持向量回归快速学习算法及应用研究》一文中研究指出支持向量机在解决非线性、小样本等问题中具有较好的推广性,近年来成为人们研究的热点。学习算法是支持向量机理论的重要组成部分,高效快速的学习算法对支持向量机研究与应用都有着十分重要的意义。为解决模型参数在优化过程中收敛速度慢、预测精度低的问题,本文以MSVR为基础结合最优化理论,通过研究几类MSVR的训练算法,提出了一种具有二阶收敛速度的修正BFGS算法,同时使用了线性搜索技术确定步长来保证算法的收敛。通过分析核函数的几何结构以及核参数的选择问题,结合了一种多核线性组合学习算法作为数据依赖核的基本核函数来提高算法的效率,并将其应用于风速与风向的预测中。主要研究工作有:1、从统计学习理论入手分析了支持向量机及其快速学习算法的原理,推导了回归模型的求解方程。在单SVR的基础上引出了 MSVR,针对MSVR样本数据之间的关联性,使用数据依赖核作为回归模型的核函数。通过分析传统方式在原始空间解法的弊端,提出使用二次规划问题的一般解法求解回归模型。2、针对回归模型的求解问题,提出一种秩2校正规则的改进BFGS算法作为更新规则来构造Hessian矩阵的近似矩阵。并结合非精确线性搜索技术确定模型迭代过程中的步长因子,使算法具有较快的收敛速度。3、通过分析核函数的空间几何结构与模型的样本复杂度,使用一种多核学习算法作为数据依赖核的基本核函数,通过使用基本核的线性组合使模型能够对应样本的多类特征空间,得到更好的映射性能,提高算法的迭代速度,最后将其应用于风速与风向的预测中。(本文来源于《南京信息工程大学》期刊2017-06-01）
周平,李瑞峰,郭东伟,王宏,柴天佑[5]（2016）在《高炉炼铁过程多元铁水质量指标多输出支持向量回归建模》一文中研究指出针对高炉炼铁过程铁水温度、Si含量、S含量、P含量等关键质量指标难以直接在线检测,且离线化验过程滞后严重的难题,建立基于建模精度综合评价与遗传参数优化的铁水质量(molten iron quality,MIQ)多输出支持向量回归(multi-output support vector regression,M–SVR)动态模型,用于对高炉铁水质量指标进行在线估计.与常规单输出SVR建模不同,M–SVR可一次确定多个分类超平面,从而可实现多元铁水质量指标的多输出建模:建模精度综合评价指标从模型估计趋势以及估计误差等方面综合评价建模性能;以建模精度综合评价指标为适应度函数,采用遗传算法对M–SVR的伸缩向量和惩罚因子参数进行全局寻优,从而获得具有最优参数的GA–M–SVR动态模型.在某钢铁厂2#高炉的工业实验表明:所提GA–M–SVR模型能够根据实时输入数据的变化对多元铁水质量参数进行准确估计.(本文来源于《控制理论与应用》期刊2016年06期）
杨蕾[6]（2014）在《多维输出支持向量回归机若干研究及应用》一文中研究指出支持向量回归机（SVR）是在统计学习理论和最优化理论的基础上发展起来的一种机器学习方法，它继承了支持向量机方法的克服了“维数灾难”和“过学习”等优点，具有直观的几何解释和完美的数学形式，从而有力地推动了回归预测的发展，成为研究热点。本文主要研究多维输出支持向量回归机及其应用问题。主要创新工作如下：1、提出了多维输出双支持向量回归机（Multidimensional Output Twin Support VectorRegression，MTSVR）。用扩充的多维核函数映射空间来代替原有的一维输出核函数空间，将双支持向量回归机（Twin Support Vector Regression,TSVR）改进为适应多维输出的算法。实验结果表明对于二维输出的情况，MTSVR算法要比TSVR算法拟合精确度更高。2、提出了基于二次损失函数的多维输出支持向量回归机（Quadratic Loss Function Support Vector Machine，L2-MSVR）。引入二范数损失函数到标准支持向量回归机（SVR）中，使其适用于多维输出的情况。实验结果表明二维输出情况下，L2-MSVR比SVR的回归拟合精度高，算法对于不敏感参数的稳定性好，且时间上更快。3、提出了基于扩充核函数和二次损失函数的多维输出支持向量回归机（Quadratic LossFunction Multidimensional Output Support Vector Machine，L2-MkSVR）。在MTSVR算法和L2-MSVR算法的基础上将两种改进思想进行融合，共同应用到标准支持向量回归机中，实验结果表明在一定参数的情况下L2-MkSVR算法要比L2-MSVR算法在算法稳定性和预测精度上更高。(本文来源于《南京邮电大学》期刊2014-02-01）
朱昱,葛禹锡,王小美,黄锋,孙书刚[7]（2013）在《基于多输出支持向量回归的SHS-熔铸涂层性能模拟》一文中研究指出鉴于离心-自蔓延高温合成制备陶瓷涂层配方中添加剂对陶瓷涂层性能影响的复杂性,采用遗传算法优化支持向量机参数,建立添加剂与陶瓷涂层性能之间的支持向量回归模型,并用测试数据验证模型。结果表明,复合钢管陶瓷压溃强度及陶瓷涂层致密度的模拟值与试验值的相对误差最大值分别为6.2%和5.2%,采用遗传算法优化多输出支持向量机参数可以有效地提高模型的精度,为陶瓷涂层配方的优化提供新途径。(本文来源于《特种铸造及有色合金》期刊2013年12期）
张秀玲,张少宇,赵文保,徐腾[8]（2013）在《板形模式识别的多输出最小二乘支持向量回归机新方法》一文中研究指出为了克服最小二乘支持向量回归机(LS-SVR)算法不能直接应用于多输入多输出(MIMO)系统建模的缺点,通过在目标函数中加入样本绝对误差项,提出了一种多输出最小二乘支持向量回归机(MLSSVR)新算法。将MLSSVR算法应用于板形模式识别研究,提出了一种基于MLSSVR的板形模式识别新方法,将该方法与LS-SVR合成识别方法进行对比实验,并对MLSSVR识别模型的识别能力进行了测试和分析,结果证明了MLSSVR算法的有效性。MLSSVR板形模式识别方法不仅避免了LS-SVR合成方法的复杂组合运算,具有更高的识别速度,而且具有更高精度和很强的泛化能力。(本文来源于《中国机械工程》期刊2013年02期）
于金涛,丁明理,王祁[9]（2011）在《基于多输出支持向量回归的声发射源平面定位》一文中研究指出为了解决直升机动部件疲劳损伤定位问题,提出了基于多输出支持向量回归算法的声发射源平面定位方法。以声发射信号的多个时域参数作为输入,破损点的平面坐标(x,y)作为输出,用支持向量回归机逼近输入输出之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,实现声发射源的平面定位。通过碳纤维材料试件断铅定位试验结果表明:该方法有效的实现了声发射源的平面定位,并且在收敛速度和定位精度上优于RBF神经网络。(本文来源于《仪器仪表学报》期刊2011年09期）
赵燕燕,范丽亚[10]（2011）在《多输出支持向量回归机在依赖时间的变分不等式中的应用》一文中研究指出支持向量回归技术广泛用于解决单输出回归问题,但现实中存在更多的是多输出的情形。为更好地解决多输出回归问题,在单输出支持向量回归机的基础上,通过并行运算推广得到一种多输出支持向量回归机,并在动态交通均衡问题的背景下,求解依赖时间的变分不等式问题。实验表明与单输出支持向量回归算法和线性插值比较,多输出支持向量回归算法具有更快的计算速度和更好的拟合效果。文中给出的多输出支持向量回归机不仅推进了多输出支持向量回归机的研究,而且为解决依赖时间的变分不等式问题提供了一种新思路。(本文来源于《山东大学学报(工学版)》期刊2011年03期）
多输出支持向量回归机论文开题报告
（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：
为分别评估变压器油纸绝缘的老化程度和水分含量,文中通过加速热老化试验和吸潮实验制备了不同老化程度下含水量不同的油浸绝缘纸试品,测试了试品的介损因数频谱和阻抗相位频谱,分析了老化、水分对油纸绝缘频域介电谱特性的影响。采用多输出支持向量回归算法(multi-output support vectorregression,M-SVR)逼近频域介电谱曲线与油纸绝缘老化和水分之间的非线性映射关系,据此预测油纸绝缘试品的老化程度和水分含量。研究表明,对于含水量在0.5～5.6%范围内、具有不同老化程度的试品,M-SVR对含水量的预测精度较高,而对老化程度的预测精度较低,且均高于RBF神经网络;根据油纸绝缘试品的聚类分析结果,发现与老化程度相关性较大的第1、2类试品,M-SVR对其老化程度的预测精度明显提高,含水量预测精度变化不大。
（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。
多输出支持向量回归机论文参考文献
[1].王定成,陆一祎,邹勇杰.多输出直觉模糊最小二乘支持向量回归算法[J].计算机科学.2019
[2].杨飞豹,高国强,宋臻杰,袁海满,高波.基于频域介电谱和多输出支持向量回归的变压器油纸绝缘状态评估[J].高压电器.2018
[3].戴鹏,周平,梁延灼,柴天佑.基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用[J].控制理论与应用.2019
[4].赵友志.多输出数据依赖核支持向量回归快速学习算法及应用研究[D].南京信息工程大学.2017
[5].周平,李瑞峰,郭东伟,王宏,柴天佑.高炉炼铁过程多元铁水质量指标多输出支持向量回归建模[J].控制理论与应用.2016
[6].杨蕾.多维输出支持向量回归机若干研究及应用[D].南京邮电大学.2014
[7].朱昱,葛禹锡,王小美,黄锋,孙书刚.基于多输出支持向量回归的SHS-熔铸涂层性能模拟[J].特种铸造及有色合金.2013
[8].张秀玲,张少宇,赵文保,徐腾.板形模式识别的多输出最小二乘支持向量回归机新方法[J].中国机械工程.2013
[9].于金涛,丁明理,王祁.基于多输出支持向量回归的声发射源平面定位[J].仪器仪表学报.2011
[10].赵燕燕,范丽亚.多输出支持向量回归机在依赖时间的变分不等式中的应用[J].山东大学学报(工学版).2011
标签：最小二乘支持向量回归; 直觉模糊; 多输出; 风气象预测;