svr 源码搜索结果, 第35页, Verysource

不平衡、非线性负载电网的可控串联电压优化补偿策略研究针对串联型电压调节装置（SVR）保护不平衡、非线性敏感负载免受电网电压扰动时，储能装置需要输出有功功率，导致装置成本过高的问题。论文基于补偿电压与负载电流正交的原理，提出用正序基波提取器提取出正序基波分量，在同步参考坐标系下，以负载电流为参考，利用坐标变换计算出参考补偿电压。由于补偿装置输出的电压正交于负载电流，因此储能装置为直流电容器的补偿装置运行时不需要任何有功功率。在Matlab/simulink中建模，用电压滞环控制器控制逆变器输出需要的电压，调节负载电压，验证提出的补偿策略的有效性。
支持向量机分析.pptx 第五章支持向量机;内容提要;1 引言;二. SVM 的发展 SVM理论的发展: 最小二乘支持向量机(LS SVM) 多分类支持向量机(M-SVM) 支持向量回归(SVR) 支持向量聚类(SVC) SVM与计算智能的融合: 神经网络+支持向量机模糊逻辑+支持向量机遗传算法+支持向量机小波分析+支持向量机主分量分析+支持向量机粗糙集理论+支持向量机;三. SVM的应用数据与文本分类系统
基于SVR 的惯性/卫星组合导航系统故障诊断方法 在惯性/卫星组合导航系统中, 针对传统X2 检验法检测出故障但无法准确识别故障子系统的不足, 提出一种基于支持向量回归的故障诊断方法. 采用残差X2 检验法实时对组合导航系统进行故障检测, 并构建基于支持向量机的回归预测模型, 实现对惯性导航系统状态的预测; 根据系统模型输出和预测模型输出之差辅助进行惯性导航系统 ...
面向属性效应控制的等均值约束支持向量回归机 针对现有的属性效应控制方法无法有效控制非线性回归建模的属性效应问题, 基于间隔最大化和结构风险最小化原则, 通过向SVR 目标学习准则中施加等均值条件约束, 提出等均值支持向量回归机(EM-SVR). 所提出的方法具有较好的泛化能力, 同时继承了EM-LS 的良好性能. 实验结果验证了所提出方法的有效性.
基于复数支持向量回归机的盲均衡算法基于复数支持向量回归机（CSVR）的框架，提出了一种针对复数信号的新的盲均衡算法，将多模算法的误差函数代入CSVR的惩罚项构造代价函数，利用广泛线性估计建立回归关系，并采用迭代重加权最小二乘方法确定均衡器系数。不同于支持向量回归机对复数信号的实数化处理方式，CSVR利用Wirtinger微积分，将复数信号直接在复数再生核希尔伯特空间进行解析。仿真实验表明，针对QPSK调制信号，在线性信道和非线性信道下，与基于SVR的盲均衡算法相比，通过选取合适的核函数和迭代优化方法，所提算法的均衡性能显著提升。
多智能体粒子群优化的SVR 模型预测控制 参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著, 鉴于此, 提出一种多智能体粒子群算法(MAPSO) 寻优其参数的方法, 并建立MAPSO支持向量回归模型, 用于非线性系统的模型预测控制, 推导出最优控制率. 采用该算法对非线性系统进行仿真, 并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF 神经网络的预测控制方法进行比较, 结果表明, 所提出的算法具有更好的控制性能, 可以有效应用于非线性系统控制中.
基于SVC 和SVR 约束组合的迁移学习分类算法 根据迁移学习思想, 针对分类问题, 以支持向量机(SVM) 模型为基础提出一种新的迁移学习分类算法CC-TSVM. 该方法以邻域间的分类超平面为纽带实现源域对目标域的迁移学习. 具体地, 以支持向量分类的约束条件完成对目标域数据的学习, 获取分类超平面参数, 再以支持向量回归的约束条件有效利用源域数据矫正目标域超平面参数, 并在上述组合约束的共同作用下实现邻域间迁移, 提高分类器性能. 在人工和真实数据集上的实验表明, 所提出算法具有良好的迁移能力和优越的分类性能. ...
基于改进密度聚类与模式信息挖掘的异常轨迹识别方法 ... 首先，针对采样问题，结合Hausdorff距离思想重新定义一种改进型DTW距离，用于描述轨迹具体行为，而MBR距离下的延伸定义，则用于描述轨迹覆盖区域热度。其次，在CFSFDP算法的密度关联与决策模型下，基于支持向量机回归（SVR，support vector regression）提出了特定支持向量机回归（SSVR，specific support vector regression），利用针对性改良下的回归差异非线性识别类中心，实现类的智能识别。最后，通过2种密度下的类识别，实现更多异常模式信息的挖掘 ...
基于Help-Training 的半监督支持向量回归 ... 的半监督支持向量回归算法, 包含最小二乘支持向量回归(LS-SVR) 和?? 近 邻(??NN) 两种类型学习器. 主学习器LS-SVR 通过选择高置信度的未标记样本加以标记, 并将其添加到已标记样本 集, 使训练样本的规模不断扩大, 以提高LS-SVR 的函数逼近性能. 辅学习器??NN用以协助LS-SVR 从训练样本比较 密集的区域选取未标记样本加以置信度评估, 可以减弱噪声对学习 ...
无偏置v- 支持向量回归优化问题研究 ... 通过原点, 并不需要偏置. 但在v- 支 持向量回归机(v-SVR) 中存在偏置, 为了研究偏置在v-SVR中的作用, 提出了无偏置的v-SVR优化问题并给出其 求解方法. 在标准数据集上的实验表明, 无偏置v-SVR的泛化性能好于v-SVR. 根据对偶优化问题的解空间分析, 偏 置b 不应包含在v-SVR优化问题中, v-SVR的决策超平面在高维特征空间中应通过原点.

关键字：svr