鲁棒最小二乘支持向量机方法

扫码查看

摘要

最小二乘支持向量机(LS-SVM)比标准支持向量机(SVM)具有更高的计算效率和拟合精度，但却失去了标准支持向量机的鲁棒性，即当采样数据存在奇异点或者误差变量的高斯分布假设不成立时，会导致不稳健的估计结果。针对上述问题，本文提出了一种鲁棒最小二乘支持向量机(RLS-SVM)方法，该方法在最小二乘支持向量机基础上，通过引入鲁棒学习方法(RLA)来获得鲁棒估计。仿真验证了该方法简单，拟合精度高，鲁棒性强。

关键词

最小二乘支持向量机/奇异点/鲁棒学习/鲁棒估计

引用本文复制引用

出版年

2014

科技研究

ISSN：

参考文献量3

段落导航