|
|
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1 l5 Y; o2 P) E5 A
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# e7 [$ C% y; v; F8 u e, m* ^- h
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 Gauss9 A: b$ S, }9 _) Z3 k7 t3 z" C; R
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7 A$ f6 o$ b7 N
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
3 `8 B) {) s' C& {& H9 w& {2 C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6 d4 s: M: z1 i- 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。 N4 f* D5 V: C- M
关键词：多尺度重采样；Nadaraya-Watson 回归；支持向量机；类指数核函数
. f& q4 X% C3 M2 C9 N' `* u8 A7 X" I: ]% z; p' f* `5 E
% ?) d! f3 a- P3 G1 X: t0 R
+ }0 _6 x+ s( u }. f, O
5 l% _, r4 ?. [附件下载：
, O3 p2 t; E: I! E: @ ?4 {' O. ]
Z' g U5 D, B3 I0 k |
|
/1 
发表于 2021-6-17 14:28
收藏
淘帖
支持！
反对！