"多尺度核支持向量回归模型的构建与优化方法研究"

本文主要研究了多尺度核支持向量回归模型在解决回归问题中的应用。支持向量回归机是一种常用的回归问题求解方法，其学习效果在很大程度上取决于核函数的选择。传统的研究多集中于单个核函数的研究，近年来多核学习方法成为研究热点。在实际问题的应用中，高斯径向基核函数具有很好的学习能力，但是其泛化能力较差，而多尺度小波核函数支持向量回归方法具有较好的泛化能力。因此，本文提出了将两者进行加权求和，构造出一个新的核函数，以充分体现两种核函数各自的特性。 为了提高支持向量回归机模型的预测效果，本文还对模型的参数进行了研究。采用 DBCSAN 聚类算法确定尺度个数，分别用离散系数和上四分位数来确定高斯径向基核函数和小波核函数的宽度参数，剩余的模型参数即惩罚系数、核函数权系数和损失函数参数则通过混沌遗传算法搜索得到。最后，为了验证模型的性能，本文将提出的多尺度核支持向量回归模型与其他三种模型进行比较——单核SVR 模型、多尺度高斯径向基核 SVR 模型和多尺度小波核 SVR 模型。 在实验过程中，本文选择了三个UCI数据集，通过对比不同模型在这些数据集上的表现，验证了提出的多尺度核支持向量回归模型相比其他模型在预测效果上的优势。综合实验结果，可以得出提出的多尺度核支持向量回归模型在回归问题中具有较好的泛化能力和预测效果，对于实际问题的应用具有一定的指导意义。 总的来说，本文在多尺度核支持向量回归模型的构建和参数确定上做出了一定的探索和创新，通过实验证明了该模型在回归问题中具有一定的优越性，为相关领域的研究提供了一定的借鉴和参考。但是，对于模型在更广泛领域和数据集上的适用性，以及模型的鲁棒性等方面，还需要进一步深入研究和探讨。同时，针对模型参数的确定方法，也可以结合具体问题进行更多的优化和实践，以提高模型的适用性和稳定性。希望本文的研究成果能够为相关领域的学者和工程技术人员提供一定的参考和帮助。