一種小波核相關向量機算法
大小：1.12 MB 人氣： 2018-01-25 需要積分：1
標簽：向量機(20755)
相關向量機（ Relevance Vector Machine，RVM）是一種基于稀疏貝葉斯推理的機器學習算法，與支持向量機（ Support Vector Machine．SVM）相比，RVM在保留SVM較高精度的基礎上，還具有參數設置簡單、稀疏度更高、概率式輸出、基函數不受Mercer條件限制等優點，目前已在圖像分類、故障檢測及各類預測等應用領域取得了較好的效果。然而傳統RVM中廣泛采用的高斯徑向基函數（ Radial Basis Function．RBF）并不具備完備表示解空間的能力，在樣本數據結構比較復雜的情況下，單- RFB核模型的精度并不理想。同時，傳統RVM中核參數的選取大多采用優化算法與交叉驗證相結合的方法，計算量比較大，尤其是在訓練樣本量較大的情況下，傳統RVM的訓練時間遠長干SVM。
傳統相關向量機算法在處理大規模數據集時訓練速度較慢，并且高斯徑向核無法完備表示特征空間。為此，基于自適應核參數優化，提出一種小波核相關向量機算法。以小波核作為基函數，在訓練中，采取增量學習流程實現各個小波核參數的快速自適應優化。將提出算法應用于混沌時間序列預測及UCI數據集分類實驗，結果表明，自適應參數優化小波相關向量機算法在預測精度、訓練速度上均優于傳統相關向量機算法。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
一種小波核相關向量機算法下載
相關電子資料下載
- 如何利用一些小技巧實現SVM的增量式訓練 321
- 深度解析機器學習各大模型原理 1144
- 基于計算機視覺與機器學習技術的跌倒風險預測 227
- 機器學習基礎知識全攻略 126
- 支持向量機的基本原理 支持向量機可以解決什么問題 1064
- 如何使用Python進行圖像識別的自動學習自動訓練？ 321
- 關于機器學習的17種常用算法 320
- 使用Python從零實現多分類SVM 337
- 常用的十大機器學習算法介紹 292
- 全面總結機器學習中的優化算法 332