基于压缩感知的多核稀疏最小二乘支持向量机

doi:10.3969/j.issn.1001-506X.2019.09.03

系统工程与电子技术 ›› 2019, Vol. 41 ›› Issue (9): 1930-1936.doi: 10.3969/j.issn.1001-506X.2019.09.03

基于压缩感知的多核稀疏最小二乘支持向量机

吴青, 臧博研, 祁宗仙, 张昱

西安邮电大学自动化学院, 陕西西安 710121

出版日期:2019-08-27 发布日期:2019-08-20

Multi-kernal sparse least square support vector machine using compressive sensing

WU Qing, ZANG Boyan, QI Zongxian, ZHANG Yu

School of Automation, Xi’an University of Posts & Telecommunications, Xi’an 710121, China

Online:2019-08-27 Published:2019-08-20

摘要/Abstract

摘要：

为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。

关键词: 最小二乘, 支持向量机, 压缩感知, 稀疏化, 多核扩展

Abstract:

To improve the generalization performance of the sparse least square support vector machine for the high dimensional and heterogeneous data, a multi-kernel sparse least square support vector machine based on compressive sensing is presented. Firstly, according to the theory of compressive sensing, support vectors of the least square support vector machine are spared by the orthogonal matching pursuit algorithm. Then the new kernel matrix is calculated by the linear multi-kernel combination method. The solution of the sparse least square support vector machine is obtained by applying the new kernel matrix to the least square support vector machine. Finally, the function regression is achieved by using spares support vectors. The theoretical analyses and contract experiment results show the proposed algorithm has better performance and faster speed for high dimensional and heterogeneous data than those in the available, which greatly improves the generalization ability and operation speed of the algorithm.

Key words: least square, support vector machine, compressive sensing, sparsification, multi-kernel combination

吴青, 臧博研, 祁宗仙, 张昱. 基于压缩感知的多核稀疏最小二乘支持向量机[J]. 系统工程与电子技术, 2019, 41(9): 1930-1936.

WU Qing, ZANG Boyan, QI Zongxian, ZHANG Yu. Multi-kernal sparse least square support vector machine using compressive sensing[J]. Systems Engineering and Electronics, 2019, 41(9): 1930-1936.

[1]	贾天一, 高婧洁, 申晓红, 刘宏伟. 声速不确定条件下的运动水下航行器自定位[J]. 系统工程与电子技术, 2022, 44(9): 2699-2706.
[2]	田鹤, 董纯柱, 殷红成. 基于频域稀疏压缩感知的雷达目标三维散射中心反演方法[J]. 系统工程与电子技术, 2022, 44(9): 2783-2790.
[3]	谢艾伦, 刘晓斌, 赵锋, 艾小锋, 肖顺平. 辐射式仿真中PCM信号间歇收发回波重构方法[J]. 系统工程与电子技术, 2022, 44(3): 771-776.
[4]	薛春岭, 曹菲, 孙庆, 秦建强, 冯晓伟. 基于多特征信息融合的海面微弱目标检测[J]. 系统工程与电子技术, 2022, 44(11): 3338-3345.
[5]	李海, 呼延泽, 毛志杰. 强杂波下基于压缩感知的低空风切变速度解模糊[J]. 系统工程与电子技术, 2022, 44(10): 3029-3036.
[6]	朱峰, 蒋倩倩, 林川, 杨啸. 基于支持向量机的典型宽带电磁干扰源识别[J]. 系统工程与电子技术, 2021, 43(9): 2400-2406.
[7]	马啸宇, 张金生, 李婷. 基于蔡氏电路和压缩感知的图像压缩加密方法[J]. 系统工程与电子技术, 2021, 43(9): 2407-2412.
[8]	阮锋, 郭亮, 李亚超, 许然. 基于关联计算的相控阵雷达前视成像技术[J]. 系统工程与电子技术, 2021, 43(9): 2457-2462.
[9]	李冬霞, 陈秋雨, 王磊, 刘海涛. 基于BSBL-BO算法的DME脉冲干扰抑制方法[J]. 系统工程与电子技术, 2021, 43(9): 2649-2656.
[10]	庄陵, 叶华双. 改进的压缩感知限幅噪声消除方案[J]. 系统工程与电子技术, 2021, 43(8): 2341-2346.
[11]	黄天耀, 李宇涵, 王磊, 刘一民, 王希勤. 相参频率捷变雷达目标稀疏重建性能边界综述[J]. 系统工程与电子技术, 2021, 43(7): 1729-1736.
[12]	张瑞, 全英汇, 朱圣棋, 李亚超, 邢孟道. 基于改进OMP算法的稀疏目标微波关联成像方法[J]. 系统工程与电子技术, 2021, 43(7): 1756-1765.
[13]	黄坤阳, 刘先一, 张志利. 改进最小二乘算法在天文定位中的应用[J]. 系统工程与电子技术, 2021, 43(6): 1659-1663.
[14]	张子鑫, 胡国平, 周豪, 占成宏. 基于互协方差稀疏重构的MIMO雷达低仰角估计算法[J]. 系统工程与电子技术, 2021, 43(5): 1218-1223.
[15]	李昂, 聂党民, 温祥西, 王泽坤, 杨诚修. 基于相依网络和SVM的管制系统运行态势评估[J]. 系统工程与电子技术, 2021, 43(5): 1287-1294.

基于压缩感知的多核稀疏最小二乘支持向量机

Multi-kernal sparse least square support vector machine using compressive sensing

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价