基于FVS的稀疏LS-SVM模型在弓网系统中的应用与优势

本文主要探讨了"稀疏最小二乘支持向量机及其应用"这一主题，发表于2014年的第9卷第7期《中国科技论文》。研究由哀珞生和陈立勇两位作者针对华东交通大学电气与电子工程学院进行。他们提出的创新方法是基于特征向量选择（Feature Vector Selection, FVS）的稀疏最小二乘支持向量机（Sparse Least Squares Support Vector Machine, SLS-SVM），目的是解决最小二乘支持向量机（Least Squares Support Vector Machine, LS-SVM）在实际应用中面临的稀疏化问题。 传统LS-SVM在处理大量特征时可能会导致模型复杂度增加，降低预测效率。通过FVS技术，作者在特征空间中筛选出关键的特征子集，这使得训练样本可以被稀疏线性重构，降低了模型的维度。稀疏化的特征向量作为SLS-SVM中的支持向量，有助于减少内存占用和计算时间，同时保持较高的预测精度。 文章的核心贡献在于构建了一个能够实现实时高效预测的SLS-SVM模型，特别适用于对速度敏感的领域，如电力系统的弓网系统仿真。通过与传统LS-SVM进行对比实验，结果显示SLS-SVM模型在保持高预报准确性的前提下，显著提高了支持向量的稀疏程度，从而大幅度提升了模型的预报速度。因此，这种方法对于提升机器学习模型在实际工程中的实用性和性能具有重要意义。 关键词：特征向量、稀疏、支持向量、弓网系统。这篇论文的研究领域属于计算机科学和技术，特别是机器学习和模式识别，其研究成果对于优化和支持向量机在工程领域的应用具有重要的理论价值和实践指导意义。