×
顾斌杰;方建文;潘，冯;白、中湖

基于快速聚类的加权双支持向量回归。 （英语） Zbl 1490.68184号

软计算。 24，第8期，6101-6117（2020）.
总结：构建一个有效的回归模型来拟合具有噪声或异常值的数据样本是一项具有挑战性的工作。本文为了减少噪声或异常值对回归的影响，进一步提高标准双支持向量回归（TSVR）的预测性能，我们提出了一种基于快速聚类的加权TSVR，称为FC-WTSVR。首先，我们使用快速聚类算法根据样本的相似性将其快速分类为不同类别。其次，为了反映先验结构信息并区分位于不同位置的样本对回归的贡献，我们将协方差矩阵和加权对角矩阵分别引入到FC-WTSVR的原始问题中。最后，为了缩短训练时间，我们采用逐次过松弛算法求解二次规划问题。结果表明，与一些最新的算法相比，所提出的FC-WTSVR能够获得更好的预测性能和抗干扰能力。

MSC公司：

68T05年 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

机器学习;双支持向量回归;快速聚类;先验结构信息;加权策略
PDF格式BibTeX公司 XML格式引用
\textit{B.Gu}等人，《软计算》。24，第8号，6101--6117（2020；Zbl 1490.68184）
全文： 内政部

参考文献：

[1] 阿纳加，P。；Balasundaram，S。；Meena，Y.，《关于使用平方弹球损失的原始稳健双支持向量回归》，《智能模糊系统杂志》，35，5，5231-5239（2018）
[2] Balasundaram，S。；Gupta，D.，通过无约束凸极小化训练拉格朗日双支持向量回归，基于知识的系统，59，85-96（2014）
[3] WJ布鲁诺；新泽西州索契；Halpern，AL，加权邻居连接：一种基于距离的系统发育重建的基于可能性的方法，Mol Biol Evol，17，189-197（2000）
[4] Chang，千瓦；谢长杰；Lin，CJ，大型L_2损失线性支持向量机的坐标下降法，J Mach Learn Res，9，3，1369-1398（2008）·Zbl 1225.68157号
[5] 陈，XB；杨，J。；梁，J。；Ye，QL，平滑双支持向量回归，神经计算应用，21，3，505-513（2012）
[6] 陈，XB；杨，J。；Chen，L.，通过线性规划改进的稳健稀疏双支持向量回归，软计算，18，12，2335-2348（2014）·Zbl 1341.68151号
[7] 陈，SG；高，JF；Huang，Z.，用于模式分类的加权线性损失投影双支持向量机，IEEE Access，7，57349-57360（2019）
[8] 郑，HX；Wang，J.，密度加权双支持向量回归，Control Decis，31，4，755-758（2016）·Zbl 1363.68108号
[9] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Talyor，J.，《支持向量机和其他基于核的学习方法简介》（2000），剑桥：剑桥大学出版社，剑桥
[10] 邓，纽约州；田，YJ，支持向量机：理论、算法与扩展（2009），北京：科学出版社，北京
[11] 方，JW；潘，F。；Gu，BJ，基于果蝇优化算法的双支持向量回归，Int J Innov Compute Inf Control，15，5，1851-1864（2019）
[12] 顾，BJ；Pan，F.，利用精确增量在线ν-支持向量回归学习算法对发酵过程中生物量浓度进行软测量建模，美国生物化学与生物技术杂志，1，3，149-159（2015）
[13] 顾，BJ；Shen，德国劳埃德船级社；潘，F。；Chen，H.，最小二乘双投影支持向量回归，Int J Innov Compute Inf Control，15，6，2275-2288（2019）
[14] 美国古普塔。；Gupta，D.，使用弹球损失函数改进的基于正则化的拉格朗日非对称ν-双支持向量回归，应用智能，49，10，3606-3627（2019）
[15] 华，XP；徐，S。；高杰。；丁，SF，L_1-范数有损投影双支持向量机用于二值分类，软计算，23，21，10649-10659（2019）·Zbl 1436.68305号
[16] 贾亚德瓦，韩国；Chandra，S.，用于模式分类的双支持向量机，IEEE Trans-pattern Ana Mach Intell，29，5，905-910（2007）
[17] 姜，SY；宋，XY；Wang，H。；韩，JJ；Li，QH，一种基于聚类的无监督入侵检测方法，模式识别快报，27，7，802-810（2006）
[18] Kalidas，Y。；Chandra，N.，Pocketdepth:一种新的基于深度的蛋白质配体结合位点识别算法，J Struct Biol，161，1，0-42（2008）
[19] 刘，R。；Wang，H。；Yu，XM，通过快速搜索和发现密度峰值进行共享最近邻聚类，Inf Sci，450200-226（2018）
[20] López，J。；Maldonado，S.，通过二阶锥规划进行稳健双支持向量回归，基于知识的系统，152，83-93（2018）
[21] López，J。；安大略省巴贝罗。；Dorronsoro，JR，解决简化凸壳上最近点问题的裁剪算法，模式识别，44，3，607-614（2011）·Zbl 1209.68417号
[22] Mangasarian，OL；Musicant，DR，拉格朗日支持向量机，J Mach Learn Res，1，3，161-177（2001）·Zbl 0997.68108号
[23] Mavroforakis，ME；Theodoridis，S.，支持向量机（SVM）分类的几何方法，IEEE Trans Neural Netw，17，3，671-682（2006）
[24] 牛，JY；陈，J。；Xu，YT，带Huber损失的双支持向量回归，智能模糊系统杂志，32，6，4247-4258（2017）·Zbl 1376.68124号
[25] 平移，XL；罗，Y。；Xu，YT，K-基于最近邻的结构双支持向量机，基于知识的系统，88，34-44（2015）
[26] XY庞；Xu，YT，加速加权双支持向量机的安全筛选规则，软计算，23，17，7725-7739（2019）·Zbl 1418.68178号
[27] XY庞；徐，C。；Xu，YT，通过安全实例缩减缩放KNN多类双支持向量机，基于知识的系统，148，17-30（2018）
[28] 北卡罗来纳州帕拉斯塔洛伊。；Amiri，A。；Aliheydari，P.，改良双支持向量回归，神经计算，211，84-97（2016）
[29] Peng，XJ，TSVR:一种高效的双支持向量回归机，Neural Netw，23，3，365-372（2010）·兹比尔1396.68102
[30] 彭晓杰；王，YF；Xu，D.，用于二元分类的结构双参数边缘支持向量机，基于知识的系统，49，63-72（2013）
[31] 彭，XJ；徐，D。；沈京东，用于数据回归的双投影支持向量机，神经计算，138131-141（2014）
[32] 彭，XJ；徐，D。；LY孔；Chen，DJ，基于L_1范数损失的双支持向量机数据识别，信息科学，340-341，86-103（2016）·Zbl 1395.68238号
[33] Platt，J.，《使用序列最小优化快速训练支持向量机》（2000），剑桥：麻省理工学院出版社，剑桥
[34] 齐，ZQ；田，YJ；Shi，Y.，用于分类的结构双支持向量机，基于知识的系统，43，74-81（2013）
[35] Quan，Y。；杨，J。；姚，LX；Ye，CZ，支持向量回归的逐次过弛豫，J Softw，15，2200-206（2004）·Zbl 1107.68448号
[36] 罗德里格斯，A。；Laio，A.，《通过快速搜索和发现密度峰值进行聚类》，《科学》，34461911492-1496（2014）
[37] 邵，YH；张，CH；杨，ZM；Ling，J。；Deng，NY，回归的ε-双支持向量机，神经计算应用，23，1，175-185（2013）
[38] 邵，YH；陈，WJ；张，JJ；王，Z。；Deng，NY，用于非平衡数据分类的高效加权拉格朗日双支持向量机，Pattern Recogn，47，9，3158-3167（2014）·Zbl 1342.68271号
[39] Tanveer，M。；Sharma，A。；Suganthan，PN，带弹球损失函数的通用双支持向量机，Inf Sci，494311-327（2019）·兹比尔1451.68233
[40] Tanveer，M。；Tiwari，A。；乔达里（Choudhary，R.）。；Jalan，S.，《稀疏弹球双支持向量机》，《应用软件计算杂志》，第78期，第164-175页（2019年）
[41] Vapnik，VN，统计学习理论概述，IEEE Trans Neural Netw，10，5，988-999（1999）
[42] 王，LD；高，C。；Zhao，NN；Chen，XB，A投影小波加权双支持向量回归及其原始解，应用智能，49，8，3061-3081（2019）
[43] 徐，YT；Wang，LS，加权双支持向量回归，基于知识的系统，33，92-101（2012）
[44] Xu，YT；Wang，LS，K-最近邻加权双支持向量回归，应用智能，41，1，299-309（2014）
[45] 徐，GB；曹，Z。；胡，BG；Principe，JC，基于重缩放铰链损失函数的稳健支持向量机，Pattern Recogn，63，139-148（2017）·Zbl 1429.68242号
[46] 薛，ZX；张，RX；秦，CD；Zeng，XQ，A roughü-twin support vector regression machine，应用智能，48，11，4023-4046（2018）
[47] Ye，YF；曹，H。；Bai，L。；王，Z。；Shao，YH，基于L_1-ε-双支持向量回归探讨中国通货膨胀的决定因素，Proc Comput Sci，17，514-522（2013）
[48] Ye，YF；Bai，L。；XY华；邵，YH；Wang，Z.，加权拉格朗日ε-双支持向量回归，神经计算，197，53-68（2016）
[49] 杨，DS；王，DF；Ng，WWY；Tsang，ECC；Wang，XZ，《结构化大利润机器：对数据分布敏感》，《马赫学习》，68，2，171-200（2007）·Zbl 1470.68205号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。