导读:本文包含了支持向量回归机论文开题报告文献综述及选题提纲参考文献，主要关键词:孪生支持向量回归机,优化理论,极大熵函数法,自适应
支持向量回归机论文文献综述
黄华娟,韦修喜[1]（2019）在《基于自适应调节极大熵的孪生支持向量回归机》一文中研究指出孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.(本文来源于《南京大学学报(自然科学)》期刊2019年06期）
吕洪林[2]（2019）在《基于范数支持向量回归机的算法扰动设计研究》一文中研究指出解决回归问题中相对重要的方法就是支持向量回归机。实际问题中的一些固定测量及公式计算总会存在误差,因此有必要通过扰动分析来讨论研究支持向量回归机数据的扰动问题。基于此,把1范数支持向量回归机作为研究对象,通过扰动分析,在一定的条件下给出了解对扰动数据偏导数的表达式,建立线性规划中1范数支持向量机算法的原始问题的灵敏度分析定理。(本文来源于《黑龙江工业学院学报(综合版)》期刊2019年11期）
张新锋,饶勇翔,姚蒙蒙[3]（2019）在《基于支持向量回归的锂电池健康状态估计》一文中研究指出针对锂电池动态工况下健康状态估计困难的问题,设计了一种基于支持向量回归机的健康状态估计方法.提取电池运行时可监测的电压、电流、温度、荷电状态融合成一种新的健康因子,采用支持向量回归机的方法训练得到健康状态估计模型,并选用网格寻优算法对模型的参数进行优化,实现基于可监测参数的动态工况下的锂电池健康状态估计.仿真结果表明,本文选取的健康因子能准确地反映电池的健康状态,健康状态的平均估计精度在1%以内.(本文来源于《中北大学学报(自然科学版)》期刊2019年06期）
杨小实,王湘龙[4]（2019）在《基于机器学习支持向量回归SVR算法对外卖配送流程优化的研究》一文中研究指出随着外卖行业的迅速发展,外卖配送效率依然不高,仍存在一些可优化的环节,本文从机器学习算法这一新视角对配送进行优化,尝试用支持向量回归算法(Support Vetor Regession,SVR)改善配送中骑手取餐等待问题和同一目的地订单配送低效问题。(本文来源于《计算机产品与流通》期刊2019年11期）
李晓新,张屹山[5]（2019）在《基于小波变换的模糊信息粒化支持向量回归模型及其应用研究》一文中研究指出本文将小波变换、模糊信息粒化、交叉验证以及支持向量回归等方法组合在一起,构建出基于小波变换的模糊信息粒化支持向量回归(WT-FIG-SVR)模型。首先,该模型通过小波变换对时间序列进行降噪处理,有效地改善了数据的不稳定和失真问题。然后,对模糊后的数据进行支持向量回归,并运用五折交叉验证方法隔点搜索最优参数,避免过度拟合的发生。由于数据处理中运用了模糊算法,新组合模型不仅可以对未来数据进行点估计,而且可以计算出未来的区间估计。通过对上证指数的实证分析,比较WT-FIG-SVR新模型与FIG-SVR原模型的预测效果,结果证明加入小波变换的新模型具有更强的预测能力,特别是在数据出现剧烈波动时,新模型对预测精度的提升更为明显。(本文来源于《数量经济研究》期刊2019年04期）
熊中刚,刘忠,罗素莲[6]（2019）在《基于模糊加权最小二乘支持向量回归的非线性系统建模方法》一文中研究指出针对非线性系统建模时边界数据会产生较大的建模偏差、数据计算负荷大以及如何从数据集中选取K个近邻点才能保证其性能缺乏统一标准等问题,提出了基于模糊加权最小二乘支持向量回归的非线性系统建模方法。该方法融合了模糊加权机理与最小二乘支持向量回归的优点,通过引入重迭因子,在保证建模精度(均方根误差越小越好)的情况下,去除建模过程中的一些非重要数据,减小建模方法的运算时间,并能将全局与局部建模方法相融合有效解决局部建模方法所产生的边界效应问题。实验验证结果表明,分别对几种方法从训练/测试均方根误差、不同重迭因子、计算时间方面比较都有明显的有效性和优越性。(本文来源于《探测与控制学报》期刊2019年05期）
杨凌,陈亮,赵膑,张国龙,李媛[7]（2019）在《基于复数支持向量回归机的盲均衡算法》一文中研究指出基于复数支持向量回归机(CSVR)的框架,提出了一种针对复数信号的新的盲均衡算法,将多模算法的误差函数代入CSVR的惩罚项构造代价函数,利用广泛线性估计建立回归关系,并采用迭代重加权最小二乘方法确定均衡器系数。不同于支持向量回归机对复数信号的实数化处理方式,CSVR利用Wirtinger微积分,将复数信号直接在复数再生核希尔伯特空间进行解析。仿真实验表明,针对QPSK调制信号,在线性信道和非线性信道下,与基于SVR的盲均衡算法相比,通过选取合适的核函数和迭代优化方法,所提算法的均衡性能显着提升。(本文来源于《通信学报》期刊2019年10期）
葛辰杰,陆志沣,洪泽华,马潮,余海鸣[8]（2019）在《基于支持向量回归与多核集成的红外成像导引头抗干扰性能评估方法》一文中研究指出面对着日益复杂的对抗环境,红外成像导引头的抗干扰性能需要不断提高。如何全面、客观、准确地对红外成像导引头的抗干扰性能进行评估,是一项急需解决的难题。针对传统基于支持向量机的评估方法中单核学习能力的不足,提出了一种基于支持向量回归与多核集成的评估方法,该方法在抗干扰评估指标体系下得到了综合的抗干扰性能值,为红外成像导引头抗干扰性能评估提供了新的思路。该方法能够训练多个支持向量回归机并融合多个核函数的优势,充分利用了特征的多样性,进一步降低了回归误差。实验结果表明:该算法能够实现高效可靠的红外成像导引头抗干扰性能评估。(本文来源于《上海航天》期刊2019年05期）
朱江,张伟,马嵩[9]（2019）在《基于在线支持向量回归的锂离子电池SOC估计》一文中研究指出对于锂离子电池来说,其化学特性是动态非线性的,并具有较强的耦合性,但是现在常用的电池模型并不能准确表达其上述特性。训练样本数量定量时,在线支持向量回归机可以在线实时更新模型,且具有全局最优、良好的泛化能力。训练模型时,采用输入变量为工作电压和温度,输出变量为荷电状态。仿真结果表明,与BP神经网络相比,在线支持向量回归可以准确预测电池的充电状态,具有较高的SOC预测精度和稳定性。(本文来源于《电源技术》期刊2019年10期）
孔庆燕,陆虹,金龙,周秀华,史旭明[10]（2019）在《低温雨雪过程的粒子群-支持向量回归预报方法》一文中研究指出低温雨雪冰冻灾害是多种气象要素在同时段、同区域相互配合迭加影响而形成的,具有显着的非线性、时变性特征,预报难度很大。为此首先采用逐步回归与核主成分分析相结合的因子特征提取构建模型的输入矩阵。进一步采用粒子群算法对支持向量回归预报模型的相关参数进行优化,以华南广西区域持续性低温雨雪冰冻天气过程的冷湿指数作为预报对象,建立粒子群-非线性支持向量回归预报模型(PSO-SVR)。由独立样本对比预报试验结果表明,在建模样本相同、预报因子相同的条件下,粒子群-支持向量回归预报模型对严重过程和一般过程低温雨雪天气过程冷湿指数的独立样本预报平均绝对误差分别为7.39和7.65;而相应的回归预报方程对这两种过程的独立样本预报平均绝对误差分别为11.18和7.94,显示了PSO-SVR预报模型的预报误差明显小于一般的线性回归方法。(本文来源于《自然灾害学报》期刊2019年05期）
支持向量回归机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
解决回归问题中相对重要的方法就是支持向量回归机。实际问题中的一些固定测量及公式计算总会存在误差,因此有必要通过扰动分析来讨论研究支持向量回归机数据的扰动问题。基于此,把1范数支持向量回归机作为研究对象,通过扰动分析,在一定的条件下给出了解对扰动数据偏导数的表达式,建立线性规划中1范数支持向量机算法的原始问题的灵敏度分析定理。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
支持向量回归机论文参考文献
[1].黄华娟,韦修喜.基于自适应调节极大熵的孪生支持向量回归机[J].南京大学学报(自然科学).2019
[2].吕洪林.基于范数支持向量回归机的算法扰动设计研究[J].黑龙江工业学院学报(综合版).2019
[3].张新锋,饶勇翔,姚蒙蒙.基于支持向量回归的锂电池健康状态估计[J].中北大学学报(自然科学版).2019
[4].杨小实,王湘龙.基于机器学习支持向量回归SVR算法对外卖配送流程优化的研究[J].计算机产品与流通.2019
[5].李晓新,张屹山.基于小波变换的模糊信息粒化支持向量回归模型及其应用研究[J].数量经济研究.2019
[6].熊中刚,刘忠,罗素莲.基于模糊加权最小二乘支持向量回归的非线性系统建模方法[J].探测与控制学报.2019
[7].杨凌,陈亮,赵膑,张国龙,李媛.基于复数支持向量回归机的盲均衡算法[J].通信学报.2019
[8].葛辰杰,陆志沣,洪泽华,马潮,余海鸣.基于支持向量回归与多核集成的红外成像导引头抗干扰性能评估方法[J].上海航天.2019
[9].朱江,张伟,马嵩.基于在线支持向量回归的锂离子电池SOC估计[J].电源技术.2019
[10].孔庆燕,陆虹,金龙,周秀华,史旭明.低温雨雪过程的粒子群-支持向量回归预报方法[J].自然灾害学报.2019