CAJ | 학술논문

小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题.为此,提出回归函数的小波支持向量机鲁棒估计方法(小波支持向量回归,WSVR,Wavelet Support Vector Regression).该方法中首先提出并证明了一种新的小波支持向量机(WSVM,Wavelet Support Vector Machine),用于确定初始参数值方法,这种方法能够确定合理的网络结构和合适的初始参数值,保证含有粗差的样本点的残差绝对值较大;然后使用一种构造的M-估计作为目标函数,并提出了自适应确定阈值方法.仿真结果表明,使用这种方法得到的回归模型不仅具有良好的多尺度逼近特性,而且有较好的鲁棒性和较高的推广性能,具有较高的理论和应用价值.
소파망락구유소파적다척도특성화신경망락적자학습공능,재회귀고계중득도엄범적응용,단기성능수도양본중조차적엄중영향.수연이M-고계작위목표함수가이해결저개문제,단유우기대응적영향함수유잔차절대치결정,인차여하선택초시삼수치성위일개관건문제.위차,제출회귀함수적소파지지향량궤로봉고계방법(소파지지향량회귀,WSVR,Wavelet Support Vector Regression).해방법중수선제출병증명료일충신적소파지지향량궤(WSVM,Wavelet Support Vector Machine),용우학정초시삼수치방법,저충방법능구학정합리적망락결구화합괄적초시삼수치,보증함유조차적양본점적잔차절대치교대;연후사용일충구조적M-고계작위목표함수,병제출료자괄응학정역치방법.방진결과표명,사용저충방법득도적회귀모형불부구유량호적다척도핍근특성,이차유교호적로봉성화교고적추엄성능,구유교고적이론화응용개치.