一種小波核相關(guān)向量機(jī)算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
相關(guān)向量機(jī)（ Relevance Vector Machine，RVM）是一種基于稀疏貝葉斯推理的機(jī)器學(xué)習(xí)算法，與支持向量機(jī)（ Support Vector Machine．SVM）相比，RVM在保留SVM較高精度的基礎(chǔ)上，還具有參數(shù)設(shè)置簡單、稀疏度更高、概率式輸出、基函數(shù)不受Mercer條件限制等優(yōu)點(diǎn)，目前已在圖像分類、故障檢測及各類預(yù)測等應(yīng)用領(lǐng)域取得了較好的效果。然而傳統(tǒng)RVM中廣泛采用的高斯徑向基函數(shù)（ Radial Basis Function．RBF）并不具備完備表示解空間的能力，在樣本數(shù)據(jù)結(jié)構(gòu)比較復(fù)雜的情況下，單- RFB核模型的精度并不理想。同時(shí)，傳統(tǒng)RVM中核參數(shù)的選取大多采用優(yōu)化算法與交叉驗(yàn)證相結(jié)合的方法，計(jì)算量比較大，尤其是在訓(xùn)練樣本量較大的情況下，傳統(tǒng)RVM的訓(xùn)練時(shí)間遠(yuǎn)長干SVM。
傳統(tǒng)相關(guān)向量機(jī)算法在處理大規(guī)模數(shù)據(jù)集時(shí)訓(xùn)練速度較慢，并且高斯徑向核無法完備表示特征空間。為此，基于自適應(yīng)核參數(shù)優(yōu)化，提出一種小波核相關(guān)向量機(jī)算法。以小波核作為基函數(shù)，在訓(xùn)練中，采取增量學(xué)習(xí)流程實(shí)現(xiàn)各個(gè)小波核參數(shù)的快速自適應(yīng)優(yōu)化。將提出算法應(yīng)用于混沌時(shí)間序列預(yù)測及UCI數(shù)據(jù)集分類實(shí)驗(yàn)，結(jié)果表明，自適應(yīng)參數(shù)優(yōu)化小波相關(guān)向量機(jī)算法在預(yù)測精度、訓(xùn)練速度上均優(yōu)于傳統(tǒng)相關(guān)向量機(jī)算法。
?
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
一種小波核相關(guān)向量機(jī)算法下載
相關(guān)電子資料下載
- 如何利用一些小技巧實(shí)現(xiàn)SVM的增量式訓(xùn)練 321
- 深度解析機(jī)器學(xué)習(xí)各大模型原理 1144
- 基于計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)技術(shù)的跌倒風(fēng)險(xiǎn)預(yù)測 227
- 機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)全攻略 126
- 支持向量機(jī)的基本原理 支持向量機(jī)可以解決什么問題 1064
- 如何使用Python進(jìn)行圖像識(shí)別的自動(dòng)學(xué)習(xí)自動(dòng)訓(xùn)練？ 321
- 關(guān)于機(jī)器學(xué)習(xí)的17種常用算法 320
- 使用Python從零實(shí)現(xiàn)多分類SVM 337
- 常用的十大機(jī)器學(xué)習(xí)算法介紹 292
- 全面總結(jié)機(jī)器學(xué)習(xí)中的優(yōu)化算法 332