-
题名基于全局代表指标的LSSVM最优稀疏化算法
- 1
-
-
作者
张世荣
童博
-
机构
武汉大学电气与自动化学院
-
出处
《三峡大学学报（自然科学版）》
CAS
北大核心
2020年第2期93-99,106,共8页
-
基金
国家自然科学基金项目(51475337)。
-
文摘
缺少稀疏性是最小二乘支持向量机(least square support vector machine,LSSVM)的主要问题之一,本文针对此问题提出一种LSSVM的最优稀疏化算法.首先,定义了特征空间中样本的密度、离散度并进一步导出样本的全局代表指标(global representative indicator,GRI).然后,以样本剪切率和邻域大小为优化变量,以校验样本集的均方根误差(root-mean-square error,RMSE)为目标函数将LSSVM的稀疏化问题转换为带约束的最优化问题;其中,样本剪切以GRI为指标进行.针对优化问题提出了基于PSO的求解方法.最后,以二维sinc函数模型为对象探讨了GRI指标与样本支持值的关系,验证了本文最优稀疏化算法的正确性和合理性,并呈现了3种稀疏化方法的对比研究结果.
-
关键词
最小二乘支持向量机
优化稀疏化
粒子群优化算法
全局代表指标
-
Keywords
least square support vector machine(LSSVM)
optimal sparseness
particle swarm optimization(PSO)
global representative indicator(GRI)
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
