支持向量回归机预测误差校正方法  

Error correction method for support vector regression

作　　者：陈君[1,2] 彭小奇[1,3] 唐秀明[2] 宋彦坡[1] 刘征[1] 

机构地区：[1]中南大学信息科学与工程学院,湖南长沙410083 [2]湖南科技大学信息与电气工程学院,湖南湘潭411201 [3]湖南第一师范学院信息科学与工程系,湖南长沙410205

出　　处：《系统工程与电子技术》2015年第8期1832-1836,共5页Systems Engineering and Electronics

基　　金：国家自然科学创新研究群体科学基金项目(61321003);国家自然科学基金重点项目(61134006);国家自然科学基金面上项目(61273169);国家自然科学基金青年项目(61105080);湖南省教育厅高等学校科研项目(13A016);湘潭市科技计划项目(NY20141006)资助课题

摘　　要：针对传统的ε-不敏感支持向量回归机(ε-insensitive support vector regression,ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种ε-SVR预测误差校正方法。该方法以期望预测值与ε-SVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(ε-tube)宽度为约束条件,通过利用高维特征空间中ε-tube边界上和边界外的局部支持向量对ε-SVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的ε-SVR相比,该文方法具有更高的预测精度和更强的泛化能力。The influence of the local support vector on the prediction results is not fully considered in the traditional e-insensitive support vector regression （ε-SVR）, which is not conducive to improve the predictive ac- curacy of regression problems. An error correction method is proposed for ε-SVR, in which the minimum sum of Euclidean distances between ideal values and e-SVR regression values and local support vectors are taken as the objective function, and the width of e-insensitive loss tube （ε-tube） is taken as constraint to correct the error in terms of local support vector on and out of the ε-tube boundary in high dimensional feature space. Simulation u- sing artificial datasets with different distributed and UCI benchmark data sets shows that the proposed method has higher prediction and generalization performance.

关 键 词：支持向量回归机 误差校正 预测精度 泛化能力 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]