一种多率采样的在线支持向量回归及应用

李大海 1; 李天石 1; 李宗斌 2

您当前的位置：

首页 >

文章列表页 >

一种多率采样的在线支持向量回归及应用

更新时间：2025-05-01

- 一种多率采样的在线支持向量回归及应用
- On-Line Support Vector Regression by Multirate Sampling with Application
- 西安交通大学学报 2010年44卷第3期页码：37-41
- 作者机构：
  
  西安交通大学机械工程学院,西安,710049
- 作者简介：
- 基金信息：
  
  : 2009-08-17. 作者简介: 李大海(1977-),男,博士生;李天石(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(60773117)
- DOI：
  中图分类号： TP271.4
- 网络首发：2010-03-10，
  
  纸质出版：2010
- 稿件说明：
移动端阅览
李大海 1, 李天石 1, 李宗斌 2. 一种多率采样的在线支持向量回归及应用[J]. 西安交通大学学报, 2010,44(3):37-41.

On-Line Support Vector Regression by Multirate Sampling with Application[J]. 2010, 44(3): 37-41.
李大海 1, 李天石 1, 李宗斌 2. 一种多率采样的在线支持向量回归及应用[J]. 西安交通大学学报, 2010,44(3):37-41. DOI：

On-Line Support Vector Regression by Multirate Sampling with Application[J]. 2010, 44(3): 37-41. DOI：

摘要

针对应用支持向量回归对不确定控制系统在线建模时精度受异常数据影响的问题

通过分析不同样本分布情况下异常数据的影响

指出增加异常数据邻域的样本密度可以有效地提高建模精度.提出了多率采样的支持向量回归在线建模方法

通过多率采样增加局部样本密度

并利用支持向量回归在小样本学习时的良好性能

构建一种局部样本密集的滚动时间窗

用以减少训练样本数和在线剔除异常数据.将该方法应用于多通道电液力伺服同步加载系统的负荷输出预测

结果表明

与传统单率采样的方法相比

在训练样本只增加2个的情况下

该方法具有更好的鲁棒性和预测精度

预测平均绝对误差达到了0.66%.

Abstract

To improve on-line modeling precision of support vector regression(SVR)in uncertain control systems

by analyzing the effects of training data sets distribution and outliers

it is demonstrated that the precision can be effectively improved by increasing data density at neighborhood of outliers. A modeling method using multirate sampling is presented based on on-line SVR. In this method

multirate sampling is chosen to increase local data density

and a local-data-intensive sliding time window is established to reduce the training data number and eliminate outliers by taking advantage of the good performance of SVR in small sample. The method is applied to a multichannel electrohydraulic force servo synchronous loading system to predict the load output. Compared with the traditional single rate sampling method

the results indicatethe better robustness and prediction accuracy. The prediction mean absolute percentage error gets 0.66% while only two training samples are added.

关键词

Keywords

references

VAPNIK V N, GOLOWICH S E, SMOLA A. Support vector method for function approximation regression estimation and signal processing [C]∥MOZER M C. Advances in Neural Information Processing Systems: 9. Cambridge, MA,USA: MIT Press, 1997: 281-287.

SMOLA A J, SCHOLKOPF B. A tutorial on support vector regression [J]. Statistics and Computing, 2004, 14: 199-222.

阎威武,常俊林,邵惠鹤.基于滚动时间窗的最小二乘支持向量机回归估计方法及仿真 [J]. 上海交通大学学报,2004,38(4): 524-532.

YAN Weiwu, CHANG Junlin, SHAO Huihe. Least square SVM regression method based on sliding time window and its simulation [J].Journal of Shanghai Jiaotong University, 2004, 38(4): 524-532.

SI Fengqi, ROMERO C E, YAO Zheng, et al. A new approach for function approximation in boiler combustion optimization based on modified structural AOSVR [J]. Expert Systems with Applications, 2009, 36(4): 8691-8704.

ZHANG Haoran,WANG Xiaodong, ZHANG Changjiang, et al. Using least square SVM for nonlinear systems modeling and control [J]. Asian Journal of Control, 2007, 9(2): 215-220.

ZHAN Y, CHENG H Z. A robust support vector algorithm for harmonic and interharmonic analysis of electric power system [J]. Electric Power Systems Research, 2005, 73(3): 393-400.

HASTIE T, ROSSET S, TIBSHIRANI R, et al. The entire regularization path for the support vector machine [J]. Journal of Machine Learning Research, 2004(5): 1391-1415.

MA Junshui, THEILER J, PERKINS S. Accurate on-line support vector regression [J]. Neural Computation, 2003, 15(11): 2683-2703.

曹阳,李天石. 电液伺服协调加载系统特性分析及其自适应统一预测控制策略的试验研究 [J].机械科学与技术, 2002,21(4):620-622.

CAO Yang, LI Tianshi. Research on electrohydraulic servo harmony loading system and adaptive unified predictive control [J]. Mechanical Science and Technology, 2002, 21(4): 620-622.

加权支持向量机求解路径算法研究.西安交通大学学报, 2008,42( 10):1226-1229.

ε不敏感损失函数支持向量机分类性能研究.西安交通大学学报, 2007,41(11):1315-1320.

考虑损伤程度的设备运行可靠性研究.西安交通大学学报, 2010,44(1): 36-40.

动态概率模型跟踪性能退化的实时可靠性评估方法.西安交通大学学报, 2010,44(1):46-50.

一种自适应局部线性嵌入与谱聚类融合的故障诊断方法.西安交通大学学报, 2010,44(1):77-82.

自适应滤波实时网络流量异常检测方法.西安交通大学学报, 2009,43(12):1-5.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

ε不敏感损失函数支持向量机分类性能研究

加权支持向量机求解路径算法研究

采用变弦长叶片设计的多翼离心风机叶轮改进与优化

面向高海拔空冷发电机防晕性能演化规律的电热耦合研究

多工况下离心压气机叶轮-机匣一体联合设计优化