动态最小二乘支持向量机学习算法

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

动态最小二乘支持向量机学习算法

邓兴升, 花向红

文章导航 > 武汉大学学报 ( 信息科学版) > 2008 > 33(11): 1122-1125

邓兴升, 花向红. 动态最小二乘支持向量机学习算法[J]. 武汉大学学报 ( 信息科学版), 2008, 33(11): 1122-1125.

引用本文:

邓兴升, 花向红. 动态最小二乘支持向量机学习算法[J]. 武汉大学学报 ( 信息科学版), 2008, 33(11): 1122-1125.

DENG Xingsheng, HUA Xianghong. Learning Algorithm of Dynamic Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1122-1125.

Citation:

DENG Xingsheng, HUA Xianghong. Learning Algorithm of Dynamic Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1122-1125.

动态最小二乘支持向量机学习算法

邓兴升^1,2,
花向红^1,2

¹武汉大学测绘学院,武汉市珞喻路129号430079;²武汉大学灾害监测与防治研究中心,武汉市珞喻路129号,430079

基金项目: 国家自然科学基金资助项目(40474003)

作者简介:
邓兴升,博士生,高级工程师。主要从事变形监测与灾害预报及统计学习理论等方面的研究。

中图分类号: P258;TU196

Learning Algorithm of Dynamic Least Square Support Vector Machine

DENG Xingsheng^1,2,
HUA Xianghong^1,2

¹School of Geodesy and Geomatics,Wuhan University,129 Luoyu Road,Wuhan 430079,China;²Research Center for Hazard Monitoring and Prevention,Wuhan University,129 Luoyu Road,Wuhan 430079,China

Funds: 国家自然科学基金资助项目(40474003)

摘要: 针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法。该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率。大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点。
- 动态最小二乘支持向量机 /
- 在线时间序列预报 /
- 大规模学习问题
Abstract: Aiming at solving the training problem of large-scale sample sets and model modifying problem of dynamic training sets,the dynamic least square support vector machine method is presented.The novel method can take full advantage of the model which is built by incremental algorithm.Based on the updated model,the new samples can be added gradually,the non-support vectors located in any position of the training set can be found and deleted easily.The matrix inverse algorithm is avoided;then a high calculation efficiency can be obtained theoretically.Two examples,one is dam deformation prediction and the other is ionosphere delay prediction,show the excellent performance of the proposed algorithm in modeling time and prediction precision.All the samples indicate that the method proposed is superior than other methods at present.
- dynamic least square support vector machine(DLSSVM) /
- on-line time series prediction /
- large-scale learning problem

[1]	王乐洋, 李海燕, 陈晓勇. 拟牛顿修正法解算不等式约束加权总体最小二乘问题 . 武汉大学学报 ( 信息科学版), 2018, 43(1): 127-132. doi: 10.13203/j.whugis20150333
[2]	李林阳, 吕志平, 崔阳, 王宇谱, 吕浩, 宫晓春. 大规模GNSS基线向量网抗差并行贝叶斯估计 . 武汉大学学报 ( 信息科学版), 2016, 41(10): 1385-1390. doi: 10.13203/j.whugis20140763
[3]	许宁, 尹凌, 胡金星. 从大规模短期规则采样的手机定位数据中识别居民职住地 . 武汉大学学报 ( 信息科学版), 2014, 39(6): 750-756. doi: 10.13203/j.whugis20140085
[4]	雷雨, 赵丹宁, 李变, 高玉平. 基于小波变换和最小二乘支持向量机的卫星钟差预报 . 武汉大学学报 ( 信息科学版), 2014, 39(7): 815-819.
[5]	涂伟, 李清泉, 方志祥. 一种大规模车辆路径问题的启发式算法 . 武汉大学学报 ( 信息科学版), 2013, 38(3): 307-310.
[6]	. 一种大规模车辆路径问题的启发式算法 . 武汉大学学报 ( 信息科学版), 2013, 38(3): 307-.
[7]	陈鹏, 姚宜斌, 吴寒. 利用时间序列分析预报电离层TEC . 武汉大学学报 ( 信息科学版), 2011, 36(3): 267-270.
[8]	沈军, 杨敏华, 钟荣华, 马慧云. 利用在线向量机和Unscented Kalman滤波进行降水序列滤波研究 . 武汉大学学报 ( 信息科学版), 2011, 36(2): 222-225.
[9]	鲁铁定, 周世健. 总体最小二乘的迭代解法 . 武汉大学学报 ( 信息科学版), 2010, 35(11): 1351-1354.
[10]	孔建, 姚宜斌, 吴寒. 整体最小二乘的迭代解法 . 武汉大学学报 ( 信息科学版), 2010, 35(6): 711-714.
[11]	黄贤源, 翟国君, 隋立芬, 黄谟涛. 最小二乘支持向量机在海洋测深异常值探测中的应用 . 武汉大学学报 ( 信息科学版), 2010, 35(10): 1188-1191.
[12]	翟振和, 孙中苗, 肖云. 最小二乘逐步、序列推估的实现与应用分析 . 武汉大学学报 ( 信息科学版), 2009, 34(7): 761-765.
[13]	潘国荣. 基于时间序列分析的动态变形预测模型研究 . 武汉大学学报 ( 信息科学版), 2005, 30(6): 483-487.
[14]	徐芳, 梅文胜, 张志华. 航空影像分割的最小二乘支持向量机方法 . 武汉大学学报 ( 信息科学版), 2005, 30(8): 694-698.
[15]	黄培之, Poh-Chin Lai. 时间序列空间数据可视化中有关问题的研究 . 武汉大学学报 ( 信息科学版), 2004, 29(7): 584-587.
[16]	张朝玉. 多维AR序列的最小二乘建模方法 . 武汉大学学报 ( 信息科学版), 2002, 27(4): 377-381.
[17]	陶闯. 一种SPOT影像参数动态筛选的最小二乘匹配方法 . 武汉大学学报 ( 信息科学版), 1993, 18(2): 31-39.
[18]	张剑清. 基于特征的最小二乘匹配理论精度 . 武汉大学学报 ( 信息科学版), 1988, 13(4): 82-90.
[19]	徐培亮. 应用时间序列方法作大坝变形预报 . 武汉大学学报 ( 信息科学版), 1988, 13(3): 23-31.
[20]	陶本藻. 论最小二乘拟合 . 武汉大学学报 ( 信息科学版), 1980, 5(1): 27-34.

WeChat

点击查看大图

计量

文章访问数: 793
HTML全文浏览量: 50
PDF下载量: 403
被引次数: 0

动态最小二乘支持向量机学习算法

邓兴升^1,2,
花向红^1,2

¹武汉大学测绘学院,武汉市珞喻路129号430079;²武汉大学灾害监测与防治研究中心,武汉市珞喻路129号,430079

基金项目: 国家自然科学基金资助项目(40474003)

作者简介:
邓兴升,博士生,高级工程师。主要从事变形监测与灾害预报及统计学习理论等方面的研究。

收稿日期: 2008-09-15
修回日期: 2008-09-15
刊出日期: 2008-11-05

中图分类号: P258;TU196

关键词:

动态最小二乘支持向量机 /

在线时间序列预报 /

大规模学习问题

摘要: 针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法。该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率。大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点。

English Abstract

邓兴升, 花向红. 动态最小二乘支持向量机学习算法[J]. 武汉大学学报 ( 信息科学版), 2008, 33(11): 1122-1125.

引用本文:

邓兴升, 花向红. 动态最小二乘支持向量机学习算法[J]. 武汉大学学报 ( 信息科学版), 2008, 33(11): 1122-1125.

DENG Xingsheng, HUA Xianghong. Learning Algorithm of Dynamic Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1122-1125.

Citation:

DENG Xingsheng, HUA Xianghong. Learning Algorithm of Dynamic Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1122-1125.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

我要投稿

投稿攻略

联系我们

二维码