Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Neural Processing Letters
Erschienen in: Neural Processing Letters 2/2018

12.12.2017

A Novel Least Square Twin Support Vector Regression

verfasst von: Zhiqiang Zhang, Tongling Lv, Hui Wang, Liming Liu, Junyan Tan

Erschienen in: Neural Processing Letters | Ausgabe 2/2018

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper proposes a new method for regression named lp norm least square twin support vector regression (PLSTSVR), which is formulated by the idea of twin support vector regression (TSVR). Different from TSVR, our new model is an adaptive learning procedure with p-norm SVM (\({{0<p\le 2}}\)), where p is viewed as an adjustable parameter and can be automatically chosen by data. An iterative algorithm is suggested to solve PLSTSVR efficiently. In each iteration, only a series systems of linear equations (LEs) are solved. Experiments carried out on several standard UCI datasets and synthetic datasets show the feasibility and effectiveness of the proposed method.
Vorheriger Artikel Adaptive Finite-Time Synchronization of Neutral Type Dynamical Network with Double Derivative Coupling
Nächster Artikel Pseudo Almost Periodic Solutions for Fuzzy Cellular Neural Networks with Multi-proportional Delays

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Vapnik V (1995) The nature of statistical learning theory. Springer, New YorkCrossRef
2.
Tian Y, Shi Y, Liu X (2012) Recent advances on support vector machines research. Technol Econ Dev Econ 18(1):5–33CrossRef
3.
Qi Z, Tian Y, Shi Y (2013) Robust twin support vector machine for pattern classification. Pattern Recogn 46(1):305–316CrossRef
4.
Qi Z, Tian Y, Shi Y (2012) Laplacian twin support vector machine for semisupervised classification. Neural Netw 35:46–53CrossRef
5.
Qi Z, Tian Y, Shi Y (2012) Twin support vector machine with Universum data. Neural Netw 36:112–119CrossRef
6.
Deng N, Tian Y, Zhang C (2012) Support vector machines C optimization based theory, algorithms and extensions. CRC Press, Boca RatonCrossRef
7.
Jayadeva, Khemchandani R, Chandra S (2007) Twin support vector machines for pattern classification. IEEE Trans Pattern Anal Mach Intell 29(5):905–910CrossRef
8.
Mangasarian O, Wild E (2006) Multisurface proximal support vector classification via generalized eigenvalues. IEEE Trans Pattern Anal Mach Intell 28(1):69–74CrossRef
9.
Kumar MA, Gopal M (2008) Application of smoothing technique on twin support vector machines. Pattern Recogn Lett 29(13):1842–1848CrossRef
10.
Kumar MA, Gopal M (2009) Least squares twin support vector machines for pattern classification. Expert Syst Appl 36(4):7535–7543CrossRef
11.
Khemchandani R, Jayadeva, Chandra S (2009) Optimal kernel selection in twin support vector machines. Optim Lett 3(1):77–88MathSciNetCrossRef
12.
Ghorai S, Mukherjee A, Dutta PK (2009) Nonparallel plane proximal classifier. Signal Process 89(4):510–522CrossRef
13.
Shao YH, Zhang CH, Wang XB, Deng NY (2011) Improvements on twin support vector machines. IEEE Trans Neural Netw 22(6):962–968CrossRef
14.
Shao YH, Wang Z, Chen WJ, Deng NY (2013) Least squares twin parametric-margin support vector machines for classification. Appl Intell 39(3):451–464CrossRef
15.
Chen W-J, Shao YH, Xu DK, Fu YF (2014) Manifold proximal support vector machine for semi-supervised classification. Appl Intell 40(4):623–638CrossRef
16.
Xu YT, Guo R (2014) An improved _\(\varepsilon \)-twin support vector machine. Appl Intell 41:42–54CrossRef
17.
Xu YT, Wang LS (2014) K-nearest neighbor-based weighted twin support vector regression. Appl Intell 41:299–309CrossRef
18.
Zhang ZQ, Zhen L, Deng NY, Tan JY (2014) Sparse least square twin support vector machine with adaptive norm. Appl Intell 41:1097–1107CrossRef
19.
Peng XTSVR (2010) an efficient twin support vector machine for regression. Neural Netw 23(3):365–372CrossRef
20.
Lu ZX, Yang ZX, Gao XY (2014) Least square twin support vector regression. Comput Eng Appl 50(23):140–144
21.
Chen WJ, Tian YJ (2010) Lp-norm proximal support vector machine and its applications. Proced Comput Sci ICCS 1(1):2417–2423CrossRef
22.
Tian YJ , Yu J, Chen WJ (2010) Lp-norm support vector machine with CCCP. In: Proceedings of the 7th FSKD, pp 1560–1564
23.
Tan JY, Zhang CH, Deng NY (2010) Cancer related gene identification via \(p\)-norm support vector machine. In: The 4th international conference on computational systems biology, pp. 101-108
24.
Tan J-Y, Zhang Z-Q, Zhen L, Zhang C-H, Deng N (2013) Adaptive feature selection via a new version of support vector machine. Neural Comput Appl 23:937–945CrossRef
25.
Zhang C-H, Shao Y-H, Tan J-Y, Deng N-Y (2013) A mixed-norm linear support vector machine. Neural Comput Appl 23:2159–2166CrossRef
26.
Saad Y (2003) Iterative methods for sparse linear systems. SIAM Press, PhiladelphiaCrossRef
Metadaten
Titel
A Novel Least Square Twin Support Vector Regression
verfasst von
Zhiqiang Zhang
Tongling Lv
Hui Wang
Liming Liu
Junyan Tan
Publikationsdatum
12.12.2017
Verlag
Springer US
Erschienen in
Neural Processing Letters / Ausgabe 2/2018
Print ISSN: 1370-4621
Elektronische ISSN: 1573-773X
DOI
https://doi.org/10.1007/s11063-017-9773-5

Weitere Artikel der Ausgabe 2/2018

Neural Processing Letters 2/2018 Zur Ausgabe

OriginalPaper

Density Based Cluster Growing via Dominant Sets

OriginalPaper

Adaptive Finite-Time Synchronization of Neutral Type Dynamical Network with Double Derivative Coupling

OriginalPaper

Associative Memory Realized by Reconfigurable Coupled Three-Cell CNNs

EditorialNotes

Off the Mainstream: Advances in Neural Networks and Machine Learning for Pattern Recognition

OriginalPaper

Neural Networks Pipeline for Offline Machine Printed Arabic OCR

OriginalPaper

An Empirical Study for Transboundary Pollution of Three Gorges Reservoir Area with Emission Permits Trading

Neuer Inhalt

    Bildnachweise