论文部分内容阅读
训练样本的准确性对回归分析模型有很大的影响，然而训练样本中难免会出现一些造成分析模型失效的奇异点。为克服奇异点对回归模型的影响，本文提出了一种基于M估计器的支持向量机（M-SVM）。它采用M估计器的目标函数代替最小二乘支持向量机（LS-SVM）目标函数中的残差平方和，同时提出了M-SVM的迭代求解算法，并将该算法应用于含有奇异点的低维仿真数据回归和汽油近红外光谱定量分析中。实验结果证明，相比于其他的支持向量机，M-SVM具有更好的稳健性和分析精度。