-
题名考虑梯度信息的ε-支持向量回归机
被引量：4
- 1
-
-
作者
周晓剑
-
机构
南京邮电大学管理学院
-
出处
《自动化学报》
EI
CSCD
北大核心
2014年第12期2908-2915,共8页
-
基金
国家自然科学基金(71401080)
江苏省高校哲学社会科学基金项目(2013SJB6300072)
南京邮电大学人才引进项目(NYS212008)资助~~
-
文摘
传统的ε-支持向量回归机(ε-support vector regression,ε-SVR)只是根据样本点处的响应值来构建模型,并没考虑样本点处的梯度信息.如果样本点处的梯度信息容易获得或者获得的成本并不高,那就应该将梯度信息应用到模型的构建中.已有的基于梯度信息的ε-支持向量回归机模型的构建是从泰勒展开的角度着手,简单地将梯度信息插入到泰勒展开式中;本研究另辟蹊径,并没有去估计样本点邻域内的函数值,而是将梯度信息作为第二类变量融入到核矩阵中直接构建优化模型,使模型的构建更为简捷直观,并据此得到一种新的基于梯度信息的ε-支持向量回归机(Gradient-enhancedε-support vector regression,GESVR)模型.所提模型通过了常用分析函数及精算领域中的生命表数据的验证,实验表明,与传统的ε-SVR相比,考虑梯度信息的GESVR模型显著地提高了其预测精度.
-
关键词
ε-支持向量回归机
元模型
梯度信息
计算机实验设计
仿真优化
-
Keywords
ε-support vector regression （ε-SVR）, metamodel, gradient information, computer design, simulation opti-mization
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进EGO算法的黑箱函数全局最优化
被引量：6
- 2
-
-
作者
王彦
尹素菊
-
机构
北京工业大学应用数理学院
-
出处
《计算机应用研究》
CSCD
北大核心
2015年第3期764-767,共4页
-
文摘
基于Kriging模型的EGO算法是一种适用于黑箱函数求极值的全局最优化算法,但该算法忽略了对Kriging模型精度的控制。针对该算法的不足之处,提出了兼顾Kriging模型精度与模型寻优的迭代函数,并将改进后的EGO算法应用于五个检验函数及一个存货模型,从Kriging模型精度及优化结果两方面对改进前后的算法进行比较。结果表明,改进后的EGO算法提高了最终Kriging模型的精度,并在对目标函数进行少量估值的情况下获得了更为全局化的最优解。
-
关键词
计算机实验设计
KRIGING模型
EI方法
全局最优化
-
Keywords
design of computer experiments
Kriging model
El method
global optimization
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
