最小二乘支持向量回归滤波系统性能分析

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：支持向量机（Support Vector Machine： SVM）一直作为机器学习方法在统计学习理论基础上被研究和发展,本文从信号与系统的角度出发,证明了平移不变核最小二乘支持向量机（Least Squares SVM： LS-SVM）是一个线性时不变系统.以Ricker子波核为例,探讨了不同参数对最小二乘支持向量回归（Least Squares Support Vector Regression： LS-SVR）滤波器频率响应特性的影响,这些参数的不同选择相应地控制着滤波器通带上升沿的陡峭性、通带的中心频率、通带带宽以及信号能量的衰减,即滤波器长度越长通带的上升沿越陡,核参数值越大通带的中心频率越高,且通带带宽越宽,正则化参数值越小,通带带宽越窄（但通带中心频率基本保持恒定）,有效信号幅度衰减越严重.合成地震记录的仿真实验结果表明,Ricker子波核LS-SVR滤波器在处理地震勘探信号的应用中,滤波性能优于径向基函数（Radial Basic Function： RBF）核LS-SVR滤波器以及小波变换滤波和Wiener滤波方法.http://www.cqvip.com//QK/94718X/201008/35049771.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：最小二乘 性能分析 系统性 regression regressio 支持向量机 Ricker子波核 最小二乘支持向量回归滤波系统 频率响应 随机噪声