文献

J-GLOBAL ID：201302226880906561   整理番号：13A1100230

ソフト検知への適用を伴うロバスト最小二乗サポートベクトルマシン

Robust Least Squares Support Vector Machines with Applications to Soft-Sensing

著者 (3件)： Si Gangquan (School of Electrical Engineering,Xi’an Jiaotong Univ., Xi’an) ,  Lou Yong (School of Electrical Engineering,Xi’an Jiaotong Univ., Xi’an) ,  Zhang Yinsong (School of Electrical Engineering,Xi’an Jiaotong Univ., Xi’an)
資料名： Xi’an Jiaotong Daxue Xuebao  (Xi'an Jiaotong Daxue Xuebao)
巻： 46  号： 8  ページ： 15-21  発行年： 2012年 
JST資料番号： W0363A  ISSN： 0253-987X  CODEN： HCTPDW  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 最小二乗法サポートベクトルマシン(LSSVM)によって確立した予測に関するスパースモデルは,特に整枝データ集合としての産業分野において生み出される非理想データ集合のケースに関し,ロバスト性に欠けている。ファジィC平均クラスタ化と密度荷重ベースのスパース性戦略を提案する。整枝データ集合をファジィC平均クラスタ化によっていくつかの部分集合に分割する。各標本の潜在的寄与を計算し,それ自身の部分集合における最大潜在的寄与を伴う標本をサポートベクトルとして選定する。ユーザ定義の性能が達成されるまで,それぞれの標本の潜在的寄与を更新し,整枝データ集合におけるより多くのサポートベクトルを繰り返し選択する。シミュレーションと適用例により,提案戦略によって整枝データセット全体と各部分集合における対応特性を伴うスパースモデルが達成され,またモデルのロバスト性が有意に向上することが分かる。Data from the ScienceChina, LCAS. Translated by JST

シソーラス用語： *最小二乗法 ,  サポートベクトルマシン ,  パターン認識 ,  コンピュータ ,  ベクトルプロセッサ ,  並列演算 ,  クラスタ化 ,  シミュレーション ,  集合 ,  性質 ,  ロバスト性
準シソーラス用語： データセット ,  スパース性 ,  データ集合

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (3件)： ソフト ,  ロバスト ,  最小二乗サポートベクトルマシン