留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种基于训练数据的迭代改进核函数

周志祥 韩逢庆

周志祥, 韩逢庆. 一种基于训练数据的迭代改进核函数[J]. 应用数学和力学, 2009, 30(1): 120-126.
引用本文: 周志祥, 韩逢庆. 一种基于训练数据的迭代改进核函数[J]. 应用数学和力学, 2009, 30(1): 120-126.
ZHOU Zhi-xiang, HAN Feng-qing. An Iterative Modified Kernel Based on Training Data[J]. Applied Mathematics and Mechanics, 2009, 30(1): 120-126.
Citation: ZHOU Zhi-xiang, HAN Feng-qing. An Iterative Modified Kernel Based on Training Data[J]. Applied Mathematics and Mechanics, 2009, 30(1): 120-126.

一种基于训练数据的迭代改进核函数

基金项目: 国家自然科学基金资助项目(50578168);重庆市自然科学基金资助项目(2007BB2396)
详细信息
    作者简介:

    周志祥(1958- ),男,四川遂宁人,教授,博士,博士生导师(联系人.Tel:+86-23-62652922;E-mail:zhixiangzhou@cqjtu.edu.cn);韩逢庆(1968- ),男,重庆人,教授,博士(E-mail:hanfengqing@cqit.edu.cn).

  • 中图分类号: O241.82

An Iterative Modified Kernel Based on Training Data

  • 摘要: 为提高支持向量机性能,提出一种支持向量机核函数的迭代改进新算法.利用与数据有关的保角映射,使核函数包含了全部学习样本的信息,即核函数具有数据依赖性.基本核函数的参数可取随机初值,通过对核函数进行多次迭代改进,直至得到满意的学习效果.与传统方法相比,新算法不需要筛选核函数的参数.对一元连续函数和强地震事件的仿真计算结果表明,改进SVR(support vector regression)的学习效果优于传统方法,并且随着迭代次数的增加,学习风险下降收敛,收敛速度依赖于传统方法的基本参数和改进方法的参数.
  • [1] Vapnik V. 统计学习理论的本质[M].张学工 译. 北京:清华大学出版社, 2000.
    [2] Scholkopf B, Sung K, Burges C. Comparing support vector machines with Gaussian kernels to radial basis function classifiers[J].IEEE Trans Signal Processing,1997,45(11):2758-2765. doi: 10.1109/78.650102
    [3] Perez-Cruz F , Navia-Vazquez A , Figueiras-Vidal A R,et al.Empirical risk minimization for support vector classifiers[J].IEEE Trans on Neural Networks,2003,14(2):296-303. doi: 10.1109/TNN.2003.809399
    [4] Belhumeur P N, Hespanha J P, Kriegman D J.Eigenfaces vs Fisherfaces:Recognition using class specific linear projection[J].IEEE Trans on Pattern Analysis and Machine Intelligence,1997,19(7):711-720. doi: 10.1109/34.598228
    [5] CAO Li-juan, Tay Francis E H. Financial forecasting using support vector machines[J]. Neural Computing & Applications,2001,10(2):184-192.
    [6] Tay Francis E H, CAO Li-juan. ε-Descending support vector machines for financial time series forecasting[J].Neural Processing Letters,2002,15(2) :179-195. doi: 10.1023/A:1015249103876
    [7] YANG Hai-qin, CHAN Lai-wan, King Irwin. Support vector machine regression for volatile stock market prediction[A]. In:Yin H, Allinson N, Freeman R,et al,Eds.Proceedings of Intelligent Data Engineering and Automated Learning[C].Berlin:Springer-Verlag, 2002. 319-396.
    [8] Smola A J, Schlkopf B, MLler K R.The connection between regularization operators and support vector kernels[J].Neural Network,1998,11(4):637-649. doi: 10.1016/S0893-6080(98)00032-X
    [9] Amari S, Wu Si. Improving support vector machine classifiers by modifying kernel functions[J].Neural Networks,1999,12(6):783-789. doi: 10.1016/S0893-6080(99)00032-5
    [10] LIANG Yan-chun, SUN Yan-feng. An improved method of support vector machine and its applications to financial time series forcesting[J].Progresss in Natural Science,2003,13(9):696-700.
    [11] Colin C. Kernel methods:a survey of current techniques[J].Neurocomputing,2002,48:63-84. doi: 10.1016/S0925-2312(01)00643-9
    [12] 马润勇, 彭建兵. 震级与破裂尺度及位错量关系的讨论[J].西北大学学报(自然科学版), 2006,36(5):799-802.
  • 加载中
计量
  • 文章访问数:  2267
  • HTML全文浏览量:  117
  • PDF下载量:  684
  • 被引次数: 0
出版历程
  • 收稿日期:  2008-07-18
  • 修回日期:  2008-12-03
  • 刊出日期:  2009-01-15

目录

    /

    返回文章
    返回