亚历山大·霍恩斯坦;乌尔里奇·帕里茨 基于支持向量回归的时间序列模型偏差减少。 （英语） 兹比尔1072.62071 国际J.分岔混沌应用。科学。工程师。 1947-1956年第6期第14页（2004年）. 摘要：在过去几年中，一种称为支持向量机（SVM）的新学习方法越来越受欢迎。基于统计学习理论，它显示出很好的泛化能力。虽然SVM主要用于分类任务，但它们也适用于回归问题，从而对时间序列的动态建模。然而，当使用回归技术建立动态模型时，如果数据有噪声，则应谨慎。由于数据点之间的相关性，模型参数的估计值系统地偏离真实值。提出了一种减少SVM参数中这种偏差的方法。 MSC公司： 62米10 统计学中的时间序列、自相关、回归等（GARCH） 62M45型 神经网络及从随机过程推断的相关方法 10层62层 点估计 关键词：时间序列分析;支持向量机;非线性建模;残余精炼 PDF格式BibTeX公司 XML格式引用 \textit{A.Hornstein}和\textit{U.Parlitz}，《国际分叉混沌应用》。科学。Eng.14，No.6，1947-1956（2004；Zbl 1072.62071） 全文： 内政部 参考文献： [1] Billings S.A.，国际期刊控制。第6页，2157页 [2] 内政部：10.2307/1401322·Zbl 0101.35604号 ·doi:10.2307/1401322 [3] K.R.Müller，用支持向量机预测时间序列，核方法的进展-支持向量学习（麻省理工学院出版社，马萨诸塞州剑桥，1999）pp。211–242. [4] 内政部：10.1142/S0218126693000319·doi:10.1142/S0218126693000319 [5] 内政部：10.1007/978-1-4757-2440-0·doi:10.1007/978-1-4757-2440-0 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。