r-SVR的PSO求解方法

doi:10.3778/j.issn.1002-8331.2009.29.012

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (29): 41-42.DOI: 10.3778/j.issn.1002-8331.2009.29.012

r-SVR的PSO求解方法

方益民¹，徐保国²

1.江南大学信息学院，江苏无锡 214063
2.江南大学信控学院，江苏无锡 214063

收稿日期:2008-05-28 修回日期:2008-07-29 出版日期:2009-10-11 发布日期:2009-10-11
通讯作者: 方益民

PSO method for r-SVR

FANG Yi-min¹，XU Bao-guo²

1.The School of Information Technology at Jiangnan University，Wuxi，Jiangsu 214063，China
2.The School of Communications and Control Engineering at Jiangnan University，Wuxi，Jiangsu 214063，China

Received:2008-05-28 Revised:2008-07-29 Online:2009-10-11 Published:2009-10-11
Contact: FANG Yi-min

摘要/Abstract

摘要： 针对r接近1时牛顿法不可求解r-SVR的问题，提出了r-SVR的PSO求解方法，推导出了PSO求解r-SVR的适应函数，给出了PSO求解r-SVR的算法和实验结果。结果表明，当r接近1时，牛顿法求解r-SVR失效，而PSO求解r-SVR的方法是有效的。

关键词: 支持向量回归机, r范数损失函数, 粒子群优化算法

Abstract: When r in r-SVR is less than 1，previous Newton descent method cannot be used for r-SVR.Hence，PSO algorithm is proposed to be used to solve r-SVR.In this paper，the fitness function is used in PSO for r-SVR and the relevant PSO algorithm is derived.Experimental results confirm that this method is effective.

Key words: support vector regression, r-loss function, particle swarm optimization

中图分类号:

TP301

方益民¹，徐保国². r-SVR的PSO求解方法[J]. 计算机工程与应用, 2009, 45(29): 41-42.

FANG Yi-min¹，XU Bao-guo². PSO method for r-SVR[J]. Computer Engineering and Applications, 2009, 45(29): 41-42.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	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.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	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.
[5]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[6]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[7]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[8]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[9]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[10]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[11]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[12]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[13]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[14]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[15]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.

r-SVR的PSO求解方法

PSO method for r-SVR

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