论文部分内容阅读
支持向量回归机（SVR）在实际的学习应用中，由于数据时空的复杂性和算法本身的参数选择，学习模型难以达到预期的效果．针对这个问题，提出了基于Boosting集成的支持向量回归机方法．通过在原始数据集加权采样的基础上，进行多次迭代子SVR机器学习．不断调整样本权值再采样，优化机器学习模型，然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成，得到最终的回归函数形式．应用该方法进行了仿真试验和滑坡变形时序预测研究．结果表明：使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性．对Bo