| 在线稀疏最小二乘支持向量机回归的研究 |
| |
| 引用本文： | 王定成,姜斌.在线稀疏最小二乘支持向量机回归的研究[J].控制与决策,2007,22(2):132-137. |
| |
| 作者姓名： | 王定成 姜斌 |
| |
| 作者单位： | 1. 南京信息工程大学,计算机与软件学院,南京,210044;南京航空航天大学,自动化学院,南京,210016
2. 南京航空航天大学,自动化学院,南京,210016 |
| |
| 基金项目： | 国家自然科学基金项目（60574083）;江苏省高校自然科学研究项目（06KJB210049）. |
| |
| 摘 要： | 现有最小二乘支持向量机回归的训练和模型输出的计算需要较长的时间,不适合在线实时训练.对此,提出一种在线稀疏最小二乘支持向量机回归,其训练算法采用样本字典,减少了训练样本的计算量.训练样本采用序贯加入的方式,适合在线获取,并且该算法在理论上是收敛的.仿真结果表明,该算法具有较好的稀疏性和实时性,可进一步用于建模与实时控制等方面的研究.
|
| 关 键 词： | 在线 稀疏 最小二乘支持向量机 |
| 文章编号： | 1001-0920（2007）02-0132-06 |
| 收稿时间： | 2005-12-10 |
| 修稿时间： | 2006-05-08 |
Online sparse least square support vector machines regression |
| |
| WANG Ding-cheng,JIANG Bin.Online sparse least square support vector machines regression[J].Control and Decision,2007,22(2):132-137. |
| |
| Authors: | WANG Ding-cheng JIANG Bin |
| |
| Abstract: | Least square support vector machines regression without sparsity needs longer training time currently,and is not adapted to online real-time training.A better method of online sparse least square support vector machines regression(SVMR) is proposed.Less training time is needed by using sample dictionary.The online SVMR whose samples is available one by one by adding the samples sequentially is convergence theoretically.The simulation result shows that the algorithm has a better sparsity and real-time performance and could be applied in modeling and real-time control etc. |
| |
| Keywords: | Online Sparsity Least square support vector machines |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
| 点击此处可从《控制与决策》浏览原始摘要信息 |
|
点击此处可从《控制与决策》下载全文 |
|
