西部建设网站,0000网站建设,可以搜索国外网站的搜索引擎,网络营销论文总结目录 #x1f4a5;1 概述
#x1f4da;2 运行结果
#x1f389;3 参考文献
#x1f468;#x1f4bb;4 Matlab代码 #x1f4a5;1 概述
LSSVM的特性 1) 同样是对原始对偶问题进行求解#xff0c;但是通过求解一个线性方程组#xff08;优化目标中的线性约束导致… 目录 1 概述
2 运行结果
3 参考文献
4 Matlab代码 1 概述
LSSVM的特性 1) 同样是对原始对偶问题进行求解但是通过求解一个线性方程组优化目标中的线性约束导致的来代替SVM中的QP问题简化求解过程对于高维输入空间中的分类以及回归任务同样适用 2) 实质上是求解线性矩阵方程的过程与高斯过程Gaussian processes正则化网络regularization networks和费雪判别分析Fisher discriminant analysis的核版本相结合 3) 使用了稀疏近似用来克服使用该算法时的弊端与稳健回归稳健统计 4) 使用了贝叶斯推断Bayesian inference 5) 可以拓展到非监督学习中核主成分分析kernel PCA或密度聚类 6) 可以拓展到递归神经网络中。
2 运行结果 主函数部分代码
% dot(x1) a * (x_2 -x_1)
% dot(x_2) x_1 * (b- x_3) - x_2
% dot(x_3) x_1 * x_2 -c* x_3
% 0 t t_f
% Initial Condition
% x_1(0) -9.42, x_2(0) -9.34, x_3(0)28.3
% Theta[a, b, c] [10, 28, 8/3] %% clear all; close all; clc t00;
tf10;
sampling_time0.05;
t(t0:sampling_time:tf);
initial[-9.42 -9.34 28.3]; % initial values of the ODE used for generating simulated data
ExactTheta[10; 28 ; 8/3]; % The exact parameters of the lorenz system used for generating simulated data cprintf( [1 0.1 0],**** Excat parameters of the Lorenz system ***** \n\n);
fprintf(True theta_1 %f \n, ExactTheta(1));
fprintf(True theta_2 %f \n, ExactTheta(2));
fprintf(True theta_3 %f \n\n, ExactTheta(3));
fprintf( ************************************* \n\n); %% Generating the simulation data options odeset(RelTol,1e-5,AbsTol,[1e-5 1e-5 1e-5]);
sol ode45(ridg,[t0 tf],initial,options,ExactTheta);
Ydeval(sol,t);
YY; noise_level0.01; % 0.03, 0.05, 0.07, 0.1
noisenoise_level*randn(size(t,1),1); y1Y(:,1)noise;
y2Y(:,2)noise;
y3Y(:,3)noise; %% Estimating the parameters of the ODE system: num_realization 3;
K_fold3;
num_grid_gam10;
num_grid_sig10;
gamma_range logspace(0,6,num_grid_gam);
sigma_range logspace(-3,1,num_grid_sig);
ER1[];
ER2[];
ER3[];
Par1zeros(num_realization,1);
Par2zeros(num_realization,1);
Par3zeros(num_realization,1);
BB1zeros(num_grid_gam,num_grid_sig);
BB2zeros(num_grid_gam,num_grid_sig);
BB3zeros(num_grid_gam,num_grid_sig);
for itr1:num_realization cprintf( [1 0.1 0],**** iteration %d\n,itr); nsize(t,1); indcrossvalind(Kfold, n, K_fold); for gamma_idx1:size(gamma_range,2) gamma gamma_range(gamma_idx); for sig_idx1:size(sigma_range,2) sig sigma_range(sig_idx); test_errors_1zeros(K_fold,1); test_errors_2zeros(K_fold,1); test_errors_3zeros(K_fold,1); for i1:K_fold Xtet(indi,1); Yte_1y1(indi,1); Yte_2y2(indi,1); Yte_3y3(indi,1); Xtrt(ind~i,1); Ytr_1y1(ind~i,1); Ytr_2y2(ind~i,1); Ytr_3y3(ind~i,1); KKernelMatrix(Xtr,RBF_kernel, sig); msize(K,1); A [K (1/gamma) * eye(m), ones(m,1);... ones(m,1) ,0]; B1 [Ytr_1;0]; B2 [Ytr_2;0]; B3 [Ytr_3;0]; result1A\B1; result2A\B2; result3A\B3; alpha1result1(1:m); b1result1(end); alpha2result2(1:m); b2result2(end); alpha3result3(1:m); b3result3(end); yhattr1 K * alpha1 b1; yhattr2 K * alpha2 b2; yhattr3 K * alpha3 b3;
3 参考文献
[1]姜星宇. 基于动态粒子群算法的DPSO-LSSVM模型在短期电力负荷预测中的应用研究[D].沈阳农业大学,2022.DOI:10.27327/d.cnki.gshnu.2022.000596.
4 Matlab代码
