|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
摘 要:该文按照多尺度重采样思想,构造了一种类指数分布的核函数(ELK),并在核回归分析和支持向量机分类
$ q* x, ]) J! _) [中进行了应用,发现 ELK 对局部特征具有捕捉优势。ELK 分布仅由分析尺度决定,是单参数核函数。利用 ELK
5 \2 s m0 \% T6 ^. m, s, @; w) p. a对阶跃信号和多普勒信号进行 Nadaraya-Watson 回归分析,结果显示 ELK 降噪和阶跃捕捉效果均优于常规 Gauss% r, ?; s: G8 X7 V
核,整体效果接近或优于局部加权回归散点平滑法(LOWESS)。多个 UCI 数据集的 SVM 分析显示,ELK 与径向* o' f3 |+ B5 K: u# ?6 Y0 F
基函数(RBF)分类效果相当,但比 RBF 具有更强的局域性,因此具有更细致的分类超平面,同时分类不理想时可; ]' P; g; e+ J2 O$ ~8 k
能产生更多的支持向量。对比而言,ELK 对调节参数敏感性低,这一性质有助于减少参数优选的计算量。单参数
5 F, e# c& d+ H9 F的 ELK 对局域特征的良好捕捉能力,有助于这类核函数在相关领域得到推广。1 R( j* c0 R1 r# ^0 @
关键词:多尺度重采样;Nadaraya-Watson 回归;支持向量机;类指数核函数
( f4 T/ R6 k B6 C
, i/ U9 z& s o/ D5 M5 T# `5 v \1 w# f- `; @+ t) e
7 P2 B8 O" n* m& f& Q& ~- o5 P
" ?" F* }; k5 x8 i附件下载:) |; p2 g+ n; g+ \, f* k
% w( }, a2 ~+ s0 o# K! o
|
|