LS-SVM工具箱说明.pdf

最小二乘支持向量机 1.6 版 前言 对于以前的版本 1.5 版的工具箱和更新现有的一些命令我们增加了新功能。由于许多读 者都是熟悉的版本 1.5布局，我们试图尽可能少地改变它。主要的区别加速了一些方法的实 现。这里是一个简要的主要变化： Chapter/solver/function What’s new What’s new 2. LS-SVMLab toolbox examples LS - SVM 的路线图;增添更多的回归和分 类的例子;界面更容易，多级分类; 改变执行 了健全 ls-svm。 3. Matlab functions 回归或分类的可能性只使用一条命令即 可，功能验证已经被删除，更快（强劲）训 练和（强大）模型选择标准被提供给用户， 以防万一，稳健回归不同的函数必须要和与 迭代重加权 LS – SVM 一起使用。 4. LS-SVM solver 所有 CMEX 和/或 C 文件已被删除。求解 线该性系统通过使用MATLAB命令“反斜杠” （\）         第一章 引言  在解决非线性分类，函数估计和密度估计问题中，支持向量机是一个很强大的方法，支 持向量机也致使了其核心的新动向，最新发展事基于一般学习方法的。支持向量机应经被引 入统计学习理论和结构风险最小化之中。这些方法中，凸优化问题,解决了一个典型的二次 规划问题。LS-SVM 是标准 SVM 的改进，这样就可以解决线性 kkt 系统的问题了。最小二 乘支持向量机与正规化网络和高斯过程密切相关，但更加重视和利用原始对偶的规范条款解 释。经典的模式识别算法的内核版本如判别分析的内核 Fisher，以非监督学习、循环式网络 扩展和控制之间的链接是可用的。健全性、稀疏性、权重可以被应用到 LS-SVM 上，并具 有三个层次的推理贝叶斯框架已经制定。LS – SVM 像原始对偶那样配方给予核 PCA，核 CCA 和 PLS。对于非常大的规模问题和在线学习，一个固定大小的 LS - SVM 方法被提出， 它基于 Nystrom 在原始空间中支持向量的积极选择和估计的近似值。原始对偶申述的方法 被开发为核心谱聚类，数据可视化，降维和生存分析。 目前LS- SVMlab 工具箱用户指南包含了大量 MATALAB 中 LS - SVM 算法的实现，其 中涉及分类，回归，时间序列预测和无监督学习。所有的功能都已经用 Matlab 从 R2008a， R2008b，R2009a 测试，工具箱中参考命令都以打印字体书写。 LS – SVMlab 主页： http://www.esat.kuleuven.be/sista/lssvmlab/ 第二章 L