基于特征值分解的最大间隔支持向量回归机  

Maximum margin eigenvalue proximal support vector regressor

作　　者：陈伟杰[1] 邵元海[1] 叶娅芬[1] 

机构地区：[1]浙江工业大学之江学院,杭州310024

出　　处：《控制与决策》2013年第12期1817-1821,共5页Control and Decision

基　　金：国家自然科学基金项目(11201426;11071252;61203133);浙江省自然科学基金项目(LQ12A01020;LQ13F030010);浙江省教育厅科研基金项目(Y201225179;Y201225256)

摘　　要：广义特征值中心支持向量回归机(GEPSVR)是一种有效的核回归算法,但其在求解优化问题时易导致奇异性问题.为此,提出一种基于特征值分解的支持向量回归机,简称IGEPSVR.与GEPSVR相比,IGEPSVR的主要优势有:结合最大间隔准则和GEPSVR几何思想给出了新的距离度量准则;在优化模型中引入Tikhonov正则项,克服了可能产生的奇异性问题;IGEPSVR仅需求解两个标准特征值,降低了计算复杂度.实验结果表明,较GEPSVR算法,IGEPSVR不仅提高了学习能力,而且缩短了训练时间.The generalized eigenvalue proximal support vector regressor（GEPSVR） is an effective kernel-based regression algorithm. However, the generalized eigenvalue problems may be ill-conditioned in the GEPSVR. Therefore, a maximum margin eigenvalue proximal support vector regressor（IGEPSVR） is proposed. The main advantages are as following by defining the distances between the insensitive functions and data points, a novel optimization model is proposed according to the maximum margin criterion and GEPSVR; the possible ill-conditioned problem is overcome by introducing the meaningful Tikhonov regularization terms; the generalized eigenvalue decomposition is replaced by the standard eigenvalue decomposition, leading to simpler optimization problems. Experimental results on a series of datasets show that IGEPSVR is superior to GEPSVR in both generalization and training speed.

关 键 词：支持向量回归机 广义特征值中心支持向量机 非平行不敏感函数 特征值分解 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]