基于Matlab的最小二乘支持向量机工具箱及其应用.pdf下载(2)

（3）设置最小二乘支持向量机的参数gam和与相应内核函数有关的参数. gam = 10; sig2 = 0.5; typ e =“功能刺激”； L SSVM需要调整两个参数. gam和sig2是最小二乘支持向量机的参数，其中gam是正则化参数，它确定自适应误差的最小化和平滑度，而sig2是RB F函数的参数. 工具箱中有一个功能网格搜索，可用于在特定范围内找到最佳参数范围. 类型e有两种类型，一种是分类，用于分类，另一种是函数估计，用于函数回归. （4）算法训练与模型建立. 从图2中实际值和预测值之间的拟合程度，我们看到该模型是使用火车lssvm函数构建的，该函数基于样本L SSVM实验室工具箱的输入和输出来估计82钢. 结果得到更好的估计结果，并且预先设置了训练函数的参数，对网络进行了训练，然后我们使用神经网络方法进行比较，其中最小二乘支持向量机的支持向量和相应的阈值，请参见公式8.

The

type优于L SSVM，但在估计中，L SSVM优于神经网络，[alp ha，b] = train lssvm（{Ptrain'，Ttrain'，typ e，gam，sig2，具有良好的泛化能力，并且训练速度比神经网络快. 'RBF_kernel'，'p rep roce ss'}）; Train lssvm功能是L SSVM工具箱的重要功能之一，它是最多四个结论. 支持向量机训练功能. 其中“ RB F_kernel”表示内核最小二乘支持向量机用等式约束替换了传统的支持向量机. 该功能是RB F功能. 内核函数包括Lin_kernel，Poly_kernel等. 在求解的不等式约束中，求解过程是根据求解QP问题来编程一组方程，alp ha是支持向量，b是阈值. 预测值表明数据提高了解决问题的速度和收敛的准确性. 本文介绍了基于Matlab的规范化，也可以是“原始的”，表示数据未规范化，最小二乘支持向量机工具箱L SSVM lab，对于最小化，默认为'p reproce ss'.

平方支持向量机在回归预测中的应用已经建立了82B钢铁产量lotlssvm（{P，T，typ e，gam，sig2，'RB F _ kernel'，模拟的）质量指标的预测模型. 结果表明，最小二乘支持向量机'p rep roce ss'}，{alpha，b}）p lotlssvm函数是L SSVM工具箱的唯一绘图函数，由p lot建立的非线性模型是可行和有效的，并且具有很好的泛化能力，计算功能原理相似. 它速度快，简化了计算并占用更少的内存. 参考: （5）读取估计数据的输入，执行数据预处理并进行模型预测. [1] VA PN IKV. 统计收益理论的自然[M]. 纽约: 使用Simringer V erlag，1995，sim lssvm函数类似于神经网络工具箱中的sim函数. [2]闫维武，邵辉和. 支持向量机与最小二乘支持向量机的比较，应使用82B钢铁产量的估计质量指标来验证模型的准确性. 应用研究［Ｊ］. 控制与决策，2003. 18（3）: 358-360. （）B = c svread'p redic. Csv'; [3] SU YKEN S JA K. LS SVM实验室ToolboxU ser的指南[EB / OL] .Ptest0 = B（: ，[1: 13]）； http: // www. s Ku leuven. 交流是/ sista /，2005-12-10.Ttest0 = B（: ，[14: 16]）; [4]冯和斌，李连石. 基于人工神经网络的高碳钢高速线材的控制冷却过程（）[Pstst，m eanp test，stdp te st] = p restd Ptest0';参数优化［Ｊ］. 钢铁，2000，35（6）: 37-40. 读取估计的数据，并对数据进行预处理以使其标准化. [5]罗成汉. 基于MA TLAB神经网络工具箱的BP网络的实现[J]. 计数y1 = sim lssvm（{Ptest'，T，typ e，gam，sig2，'RB F _ kernel'，（）computer Simulation，2004，2 1 5: 108-111.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-204493-2.html