新的稀疏支持向量回归机算法及实验研究

doi:10.3778/j.issn.1002-8331.2008.36.006

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (36): 24-28.DOI: 10.3778/j.issn.1002-8331.2008.36.006

新的稀疏支持向量回归机算法及实验研究

陈晓峰¹,王士同¹,曹苏群^1,2,马培勇³

1.江南大学信息学院，江苏无锡 214122
2.淮阴工学院机械系，江苏淮安 223001
3.中国科学技术大学工程科学学院，合肥 230026

收稿日期:2008-07-07 修回日期:2008-10-10 出版日期:2008-12-21 发布日期:2008-12-21
通讯作者: 陈晓峰

Novel sparse Support Vector Regression and its experimental study

CHEN Xiao-feng¹,WANG Shi-tong¹,CAO Su-qun^1,2,MA Pei-yong³

1.School of Information，Jiangnan University，Wuxi，Jiangsu 214122，China
2.Department of Mechanical Engineering，Huaiyin Institute of Technology，Huaian，Jiangsu 223001，China
3.School of Engineering Science，University of Science and Technology of China，Hefei 230026，China

Received:2008-07-07 Revised:2008-10-10 Online:2008-12-21 Published:2008-12-21
Contact: CHEN Xiao-feng

摘要/Abstract

摘要： 支持向量回归机是一种解决回归问题的重要方法，其预测速度与支持向量的稀疏性成正比。为了改进支持向量回归机的稀疏性，提出了一种直接稀疏支持向量回归算法DSKR（Direct Sparse Kernel Support Vector Regression），用于构造稀疏性支持向量回归机。DSKR算法对ε-SVR（ε-Support Vector Regression）增加一个非凸约束，通过迭代优化的方式，得到稀疏性好的支持向量回归机。在人工数据集和真实世界数据集上研究DSKR算法的性能，实验结果表明，DSKR算法可以通过调控支持向量的数目，提高支持向量回归机的稀疏性，且具有较好的鲁棒性。

关键词: 支持向量回归机, 核方法, 稀疏核学习

Abstract: Support Vector Regression is an important kind of method for regression problems.The predicting speed of Support Vector Regression is proportional to its sparseness.In order to increase sparseness of support vector regression，in this paper，a sparse support vector regression method named DSKR（Direct Sparse Kernel Support Vector Regression） is proposed to construct sparse Support Vector Regression.DSKR adds a non-convex constraint to ε-SVR （ε-Support Vector Regression），and then obtains Support Vector Regression with better sparseness using iterative optimization.Experimental comparisons are made with several Support Vector Regression methods on both synthetic data sets and real-world data sets，the comparisons show that the proposed DSKR gives promising results.It can improve sparseness and adjust number of support vectors with perfect robust performance.

Key words: Support Vector Regression（SVR）, kernel method, sparse kernel learning

陈晓峰¹,王士同¹,曹苏群^1,2,马培勇³. 新的稀疏支持向量回归机算法及实验研究[J]. 计算机工程与应用, 2008, 44(36): 24-28.

CHEN Xiao-feng¹,WANG Shi-tong¹,CAO Su-qun^1,2,MA Pei-yong³. Novel sparse Support Vector Regression and its experimental study[J]. Computer Engineering and Applications, 2008, 44(36): 24-28.

[1]	马梦萍，杨志霞. 非对称ν-无核二次曲面支持向量回归机[J]. 计算机工程与应用, 2021, 57(7): 70-77.
[2]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[3]	宋光鑫，王丽平. 利用矩阵补全优化模型进行动态网络链接预测[J]. 计算机工程与应用, 2020, 56(16): 37-44.
[4]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[5]	卢明，刘黎辉，吴亮红. 多核支持向量数据描述分类方法研究[J]. 计算机工程与应用, 2016, 52(18): 68-73.
[6]	李亮. 基于再生核Hilbert空间的非线性信道均衡算法[J]. 计算机工程与应用, 2016, 52(16): 105-109.
[7]	高雷阜，高晶，赵世杰. 人工蜂群算法优化SVR的预测模型[J]. 计算机工程与应用, 2016, 52(11): 55-59.
[8]	刘坤，李飚，曾祥鑫. 基于流形学习和支持向量机的太赫兹谱分类[J]. 计算机工程与应用, 2015, 51(24): 141-144.
[9]	米根锁，赵丽琴，罗淼. GCPSO优化混合核SVM的地铁车站客流预测[J]. 计算机工程与应用, 2015, 51(14): 231-235.
[10]	王新1，王乾1，赵志科2. 基于SVR的经验模态分解端点延拓改进方法[J]. 计算机工程与应用, 2014, 50(9): 204-208.
[11]	刘建华. 相空间重构和SVR联合优化的短时交通流预测[J]. 计算机工程与应用, 2014, 50(3): 13-17.
[12]	陈虹1，王飞1，肖振久1，2，孙丽娜1. 基于IHS_LSSVR的网络安全态势预测方法[J]. 计算机工程与应用, 2014, 50(23): 91-94.
[13]	卢振兴，杨志霞，高新豫. 最小二乘双支持向量回归机[J]. 计算机工程与应用, 2014, 50(23): 140-144.
[14]	兰娇1，覃锡忠1，贾振红1，陈丽2. 基于改进半监督SVR算法的忙时话务量预测[J]. 计算机工程与应用, 2014, 50(20): 211-214.
[15]	成科，宋海声，安占福，孔永胜. 基于GA参数优化的t-SVR网络安全风险评估方法[J]. 计算机工程与应用, 2014, 50(12): 91-95.

新的稀疏支持向量回归机算法及实验研究

Novel sparse Support Vector Regression and its experimental study

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics