|
|||||
|
|
| 自调用支持向量回归和偏最小二乘优化支持向量机参数 | |
| 引用本文： | 王志明,谭显胜,袁哲明,伍朝华.自调用支持向量回归和偏最小二乘优化支持向量机参数[J].小型微型计算机系统,2010,31(9). |
| 作者姓名： | 王志明 谭显胜 袁哲明 伍朝华 |
| 作者单位： | 1. 湖南农业大学,生物安全科学技术学院,湖南,长沙,410128;湖南省作物种质创新与资源利用重点实验室,湖南,长沙,410128;湖南农业大学,理学院,湖南,长沙,410128 2. 湖南农业大学,生物安全科学技术学院,湖南,长沙,410128;湖南省作物种质创新与资源利用重点实验室,湖南,长沙,410128 3. 湖南农业大学,理学院,湖南,长沙,410128 |
| 基金项目： | 国家自然科学基金项目，教育部新世纪优秀人才计划项目，湖南农业大学青年基金项目，湖南省教育厅科研项目 |
| 摘 要： | 参数选择是支持向量分类、回归分析的关键问题之一,在大训练样本条件下,大范围遍历搜索极为耗时.将均匀设计(UD)分别与自调用支持向量回归(SVR)、偏最小二乘回归(PLR)结合,提出了两种将大样本搜索转化为小样本搜索的策略UD-SVR和LID-PLR:在默认搜索范围内由均匀设计产生部分参数组合,每组合对训练集经交叉测试得评价指标(对分类为准确率,对回归为均方误差);以评价指标为目标函数,对部分参数组合形成的小样本,UD-SVR自调用支持向量回归以留一法进行大范围搜索建模,UD-PLR以PLR直接建模,并预测默认范围内所有参数组合;取预测评价指标最优的对应参数组合训练大样本,完成独立预测.对8个基准分类教据集、8个回归数据集的独立预测表明,两种新方法在保证预测精度的同时,大幅度缩短了训练建模时间,为大样本支持向量机参数选择提供了新的有效解决方案,UD-SVR比UD-PLR更具鲁棒性. |
| 关 键 词： | 均匀设计 支持向量回归 偏最小二乘 大样本 参数选择 |
Parameters Optimization of SVM Based on Self-calling SVR and PLS |
|
| WANG Zhi-ming,TAN Xian-sheng,YUAN Zhe-ming,WU Zhao-hua.Parameters Optimization of SVM Based on Self-calling SVR and PLS[J].Mini-micro Systems,2010,31(9). | |
| Authors: | WANG Zhi-ming TAN Xian-sheng YUAN Zhe-ming WU Zhao-hua |
| Abstract: | |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ | |