多率采样支持向量回归:提升在线建模精度与异常数据处理

需积分: 8 0 下载量 17 浏览量 更新于2024-08-12 收藏 284KB PDF 举报
"一种多率采样的在线支持向量回归及应用 (2010年)" 本文主要探讨了在不确定性控制系统在线建模过程中如何利用支持向量回归(Support Vector Regression, SVMR)方法来应对异常数据对模型精度的影响。支持向量回归是一种基于统计学习理论的机器学习算法,尤其在处理小样本数据时表现出良好的性能。然而,当面临包含异常数据的训练集时,SVMR的建模精度可能会受到显著影响。 作者首先分析了在不同样本分布下,异常数据如何影响支持向量回归的建模效果。他们发现,增加异常数据邻域内的样本密度有助于提高模型的建模精度。这是由于异常数据可能导致模型过拟合或者欠拟合,而增加正常样本的密度可以平衡这种影响,使得模型更能够反映数据的总体趋势。 针对这一问题,论文提出了一种多率采样的支持向量回归在线建模方法。这种方法通过采用不同的采样频率或速率,能够在局部区域增加样本密度,特别是那些异常数据邻域。这样做的目的是减少异常数据对模型训练的影响,同时也能减少总的训练样本数量。此外,通过构建一个局部样本密集的滚动时间窗,该方法可以实时地剔除异常数据,进一步提升模型的鲁棒性。 论文中,该方法被应用于多通道电液力伺服同步加载系统的负荷输出预测。实验结果表明,相比于传统的单一采样率方法,在仅增加两个训练样本的情况下,多率采样的SVMR方法能显著提高预测的鲁棒性和精度,平均绝对误差降低到0.66%。这表明,该方法在实际工程应用中具有很大的潜力和优势。 关键词:支持向量回归;多率采样;异常数据 总结来说,这篇2010年的研究论文提出了一种创新性的策略,即通过多率采样来优化支持向量回归的在线建模过程,有效处理异常数据,提高模型预测的准确性和稳定性。这种方法对于那些需要处理大量实时数据和可能存在异常值的复杂系统,如控制工程、数据分析等领域,具有重要的理论和实践意义。