论文部分内容阅读
为了克服最小二乘支持向量机对于孤立点过分敏感的问题，将模糊隶属度概念引入最小二乘支持向量机中，提出了基于支持向量域描述的模糊最小二乘支持向量回归机．该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球，再根据特征空间中样本与超球球心的距离确定它们的隶属度，减少了奇异点（噪声）的影响；把所要求解的约束凸二次优化问题转化为正定线性方程组，并采用快速Cholesky分解的方法求解该方程组．实验结果表明该方法在不牺牲训练速度的前提下，比支持向量机和最小二乘支持向量机具有更高的预测精度．