-
题名支撑向量机回归的简化SMO算法
被引量：9
- 1
-
-
作者
杨杰
叶晨洲
全勇
陈念贻
-
机构
上海交通大学图像处理及模式识别研究所
-
出处
《红外与激光工程》
EI
CSCD
北大核心
2004年第5期533-537,共5页
-
文摘
统计学习理论中提出的支撑向量机回归(SVR)遵循了结构风险最小化原则,从而避免了一味追求经验风险最小化带来的弊端。采用扩展方法使SVR与支撑向量机分类(SVC)具有相似的数学形式,并在此基础上提出了一种用于SVR的简化SMO算法。与SVR现有的SMO算法相比,简化算法的数学形式简洁直观,在不增加算法空间和时间复杂度的前提下避免了大量繁复的判别条件,较大幅度地简化了算法实现,有利于SVR的广泛使用。
-
关键词
smo算法
支撑向量机
统计学习理论
时间复杂度
简化算法
算法实现
结构风险最小化原则
数学形式
判别条件
回归
-
Keywords
Algorithms
Image processing
Optimization
Pattern recognition
Regression analysis
Risk assessment
-
分类号
TN911
[电子电信—通信与信息系统]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名使用ε-SVR求解稀疏分解的单混合信号BSS
- 2
-
-
作者
魏橦
李瑛
彭平
牛忠霞
王映民
-
机构
信息工程大学信息工程学院
-
出处
《信息工程大学学报》
2006年第2期163-166,共4页
-
文摘
文章提出了一种单混和信号盲源分离(BSS)问题的改进解法。在源信号数大于混合信号数时,标准ICA法不再有效,BSS可使用稀疏分解法。文章首先将稀疏分解法等同于支撑向量回归(SVR)的一种形式,为稀疏分解法提供新的直观解释和求解方法。通过引入序列最小化算法(SMO)求解该SVR类比形式,显著提高了算法的速度和实用性。最后,我们将方法应用于QAM调制信号的单混合信号的盲分离问题,得到较好的分离效果。
-
关键词
单混合信号
盲源分离
稀疏分解
支持向量回归(SVR)
序列最小化算法(smo)
-
Keywords
single mixture
blind source separation
sparse-decomposition
support-vector regression （SVR）
sequential minimal optimization （smo）
-
分类号
TN72
[电子电信—电路与系统]
-
