

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、近幾十年來,機器學習快速發(fā)展,它已被廣泛應用在許多領域,如數據挖掘、人工智能和醫(yī)療保健等。作為機器學習中最重要的學科之一,回歸問題的研究已受到科學界和工業(yè)界的高度關注。
非線性回歸不像線性回歸那么簡單、易于處理,它代表了一項非常具有挑戰(zhàn)性的研究課題,因為它需要在因變量與多個特征屬性之間構建復雜的非線性變化關系。非線性回歸問題現被視為機器學習領域最重要的研究課題之一,其中模型的性能改進是一個重要的研究點。在已有的文獻中,主要是通
2、過對模型結構、參數估計方法、及參數預處理方法的選擇這幾個方面來實現模型的性能最優(yōu)。
邏輯積網絡(Logistic Product Basis Network,LPBN)是最近提出的一個優(yōu)秀的非線性回歸工具,它比標準的單隱層邏輯感知器具有更深層的網絡結構。單層邏輯感知器是邏輯函數的線性組合,用梯度下降法進行優(yōu)化,而梯度下降(GradientDescent,GD)類型的算法在用標準神經元的神經網絡中進行訓練時計算量大、收斂速度慢。
3、由于邏輯積網絡模型的參數比單層感知器多很多,這使得對訓練邏輯積網絡而言,情況會變得更加糟糕。
本論文對非線性模型的構建問題進行了研究,主要包括兩個方面:模型結構和參數估計方法。并在正交最小二乘法(Orthogonal Least Square,OLS)上對傳統(tǒng)的邏輯積網絡做了改進。OLS被用來把LPBN模型分解為多個子模型,并利用貪心算法逐項優(yōu)化模型,因此在每次的迭代中,只需要優(yōu)化一個參數很少的模型。重復加權推進搜索(Repe
4、ated Weighted Boosting Search,RWBS)算法被用于調整每一個子模型的參數,它簡單有效、易于編程和算法調整,而且它還是一個全局搜索算法。
實驗所用數據來自于人工模擬和從UCI機器學習數據庫中下載的真實數據集。實驗結果表明,與支持向量回歸機(Support Vector Regression,SVR)、相關向量機(Relevance Vector Machine,RVM)、標準的LPBN相比較,本文的
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 非線性回歸模型中最小二乘估計量的相合性.pdf
- 基于正交最小二乘的可調核函數多輸出回歸模型.pdf
- 線性回歸模型的二階最小二乘估計.pdf
- 偏最小二乘回歸模型的改進研究.pdf
- 多元線性模型中偏最小二乘回歸的分析研究.pdf
- 3多元線性回歸與最小二乘估計
- 3多元線性回歸與最小二乘估計
- 基于Choquet積分的非線性回歸模型研究.pdf
- 偏最小二乘回歸的研究.pdf
- 38616.非線性最小二乘的稀疏解
- 非線性最小二乘問題的混合算法.pdf
- 非線性最小二乘的不適定性及算法研究.pdf
- 非線性最小二乘的不適定性及算法研究
- 基于偏最小二乘回歸非線性理論在經濟系統(tǒng)中的應用.pdf
- 基于非線性偏最小二乘的特征提取方法研究.pdf
- 基于偏最小二乘回歸的混凝土壩變形監(jiān)控模型研究.pdf
- 基于正交最小二乘的軟測量建模方法研究.pdf
- 多項式回歸、非線性回歸模型
- 基于偏最小二乘回歸的大壩安全監(jiān)控統(tǒng)計模型的研究.pdf
- 基于偏最小二乘回歸的混凝土壩變形監(jiān)控模型研究(1)
評論
0/150
提交評論