期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于近似模型和GMSCVE的溜槽结构设计优化
被引量：
3
1
作者
曹阳
龙雨
+3 位作者
马军
何文斌
郭睿涛
李晓科
《机械设计》
CSCD
北大核心
2023年第2期84-89,共6页
为减少焦炭长期冲击导致的物料输送溜槽磨损和破坏,提出了基于近似模型的溜槽结构设计优化方法。以溜槽冲击部位结构尺寸为设计变量,以焦炭运输速度为约束条件,构建了最小化冲击力的溜槽结构设计优化模型。为降低优化模型的计算复杂度,...
为减少焦炭长期冲击导致的物料输送溜槽磨损和破坏,提出了基于近似模型的溜槽结构设计优化方法。以溜槽冲击部位结构尺寸为设计变量,以焦炭运输速度为约束条件,构建了最小化冲击力的溜槽结构设计优化模型。为降低优化模型的计算复杂度,采用近似模型拟合冲击力、运输速度与溜槽结构设计变量间的隐式关系,并通过广义均方交叉验证误差准则筛选对隐式关系拟合精度最高的近似模型。通过EDEM仿真分析和实际运行,验证了该方法优化结果的可行性和近似模型的有效性。
展开更多
关键词
溜槽
焦炭
近似
模型
广义
均方
交叉
验证
误差(GMSCVE)
设计优化
在线阅读
下载PDF
职称材料
正则化路径上的支持向量机模型组合方法
被引量：
1
2
作者
廖士中
赵志辉
《计算机工程与应用》
CSCD
2012年第15期39-42,共4页
模型组合是提高支持向量机泛化性的重要方法,但存在计算效率较低的问题。提出一种基于正则化路径上贝叶斯模型平均的支持向量机模型组合方法,在提高支持向量机泛化性的同时,具有较高的计算效率。基于正则化路径算法建立初始模型集,引入...
模型组合是提高支持向量机泛化性的重要方法,但存在计算效率较低的问题。提出一种基于正则化路径上贝叶斯模型平均的支持向量机模型组合方法,在提高支持向量机泛化性的同时,具有较高的计算效率。基于正则化路径算法建立初始模型集,引入对支持向量机的概率解释。模型的先验可看做是一个高斯过程,模型的后验概率通过贝叶斯公式求得,使用贝叶斯模型平均对模型进行组合。在标准数据集上,实验比较了所提出的模型组合方法与交叉验证及广义近似交叉验证(GACV)方法的性能,验证所提出的模型组合方法的有效性。
展开更多
关键词
支持向量机
模型组合
正则化路径
高斯过程
广义
近似
交叉
验证
(
gacv
)
在线阅读
下载PDF
职称材料
基于支持向量分位数回归的货币需求条件密度预测研究
3
作者
许启发
俞奕涵
蒋翠侠
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2017年第1期121-127,共7页
考虑到货币需求与其影响因素之间复杂的关系,基于支持向量分位数回归(support vector quantile regression,SVQR)模型,文章研究了货币需求及其影响因素之间的非线性依赖关系,给出了货币需求条件密度预测方法,并将其与传统的线性分位数...
考虑到货币需求与其影响因素之间复杂的关系,基于支持向量分位数回归(support vector quantile regression,SVQR)模型,文章研究了货币需求及其影响因素之间的非线性依赖关系,给出了货币需求条件密度预测方法,并将其与传统的线性分位数回归模型进行了比较。选取中国2004年1月至2014年12月期间工业增加值、消费物价指数(consumer price index,CPI)、利率与M1的月度数据进行实证研究,结果表明SVQR模型不仅能够很好地拟合货币需求,而且能够给出准确的概率密度预测结果。
展开更多
关键词
货币需求
分位数回归
支持向量分位数回归(SVQR)
条件密度预测
广义
近似
交叉
验证
(
gacv
)
准则
在线阅读
下载PDF
职称材料
题名
基于近似模型和GMSCVE的溜槽结构设计优化
被引量：
3
1
作者
曹阳
龙雨
马军
何文斌
郭睿涛
李晓科
机构
郑州轻工业大学机电工程学院
中信重工机械股份有限公司
出处
《机械设计》
CSCD
北大核心
2023年第2期84-89,共6页
基金
国家自然科学基金青年基金项目(51905492)
河南省高校科技创新团队(20IRTSTHN015)
郑州轻工业大学博士科研基金资助项目(2017BSJJ014)。
文摘
为减少焦炭长期冲击导致的物料输送溜槽磨损和破坏,提出了基于近似模型的溜槽结构设计优化方法。以溜槽冲击部位结构尺寸为设计变量,以焦炭运输速度为约束条件,构建了最小化冲击力的溜槽结构设计优化模型。为降低优化模型的计算复杂度,采用近似模型拟合冲击力、运输速度与溜槽结构设计变量间的隐式关系,并通过广义均方交叉验证误差准则筛选对隐式关系拟合精度最高的近似模型。通过EDEM仿真分析和实际运行,验证了该方法优化结果的可行性和近似模型的有效性。
关键词
溜槽
焦炭
近似
模型
广义
均方
交叉
验证
误差(GMSCVE)
设计优化
Keywords
chute
coke
surrogate model
generalized mean square cross validation error(GMSCVE)
design optimization
分类号
TH122 [机械工程—机械设计及理论]
在线阅读
下载PDF
职称材料
题名
正则化路径上的支持向量机模型组合方法
被引量：
1
2
作者
廖士中
赵志辉
机构
天津大学计算机科学与技术学院
出处
《计算机工程与应用》
CSCD
2012年第15期39-42,共4页
基金
天津市自然科学基金(No.11JCYBJC00700)
文摘
模型组合是提高支持向量机泛化性的重要方法,但存在计算效率较低的问题。提出一种基于正则化路径上贝叶斯模型平均的支持向量机模型组合方法,在提高支持向量机泛化性的同时,具有较高的计算效率。基于正则化路径算法建立初始模型集,引入对支持向量机的概率解释。模型的先验可看做是一个高斯过程,模型的后验概率通过贝叶斯公式求得,使用贝叶斯模型平均对模型进行组合。在标准数据集上,实验比较了所提出的模型组合方法与交叉验证及广义近似交叉验证(GACV)方法的性能,验证所提出的模型组合方法的有效性。
关键词
支持向量机
模型组合
正则化路径
高斯过程
广义
近似
交叉
验证
(
gacv
)
Keywords
Support Vector Machine（SVM）
model combination
regularization path
Gaussian process
Generalized Approximate Cross-Validation（
gacv
）
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于支持向量分位数回归的货币需求条件密度预测研究
3
作者
许启发
俞奕涵
蒋翠侠
机构
合肥工业大学管理学院
合肥工业大学过程优化与智能决策教育部重点实验室
出处
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2017年第1期121-127,共7页
基金
国家自然科学基金资助项目(71071087)
文摘
考虑到货币需求与其影响因素之间复杂的关系,基于支持向量分位数回归(support vector quantile regression,SVQR)模型,文章研究了货币需求及其影响因素之间的非线性依赖关系,给出了货币需求条件密度预测方法,并将其与传统的线性分位数回归模型进行了比较。选取中国2004年1月至2014年12月期间工业增加值、消费物价指数(consumer price index,CPI)、利率与M1的月度数据进行实证研究,结果表明SVQR模型不仅能够很好地拟合货币需求,而且能够给出准确的概率密度预测结果。
关键词
货币需求
分位数回归
支持向量分位数回归(SVQR)
条件密度预测
广义
近似
交叉
验证
(
gacv
)
准则
Keywords
money demand
quantile regression
support vector quantile regression （SVQR）
condi-tional density prediction
generalized approximate cross validation（
gacv
） criterion
分类号
F224.0 [经济管理—国民经济]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于近似模型和GMSCVE的溜槽结构设计优化
曹阳
龙雨
马军
何文斌
郭睿涛
李晓科
《机械设计》
CSCD
北大核心
2023
3
在线阅读
下载PDF
职称材料
2
正则化路径上的支持向量机模型组合方法
廖士中
赵志辉
《计算机工程与应用》
CSCD
2012
1
在线阅读
下载PDF
职称材料
3
基于支持向量分位数回归的货币需求条件密度预测研究
许启发
俞奕涵
蒋翠侠
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2017
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
