基于支持向量回归的参数估计收敛性分析与算法改进

收敛性与一致性分析是递推算法分析的重要理论问题,它关系到算法是否有效,是否正确合理.本项目研究基于支持向量回归(SVR)的参数估计收敛性问题和具有一致收敛性的SVR算法,是在处于发展中的SVR领域前人未曾涉及的理论问题，有重要的理论意义和广泛的应用背景.. 本项目研究工作涉及最小二乘支持向量机(LS-SVM,2-范数损失函数)的递推参数估计算法，以及基于1-范数损失函数和ε-不敏感损失函数的固定样本数的SVR算法在各种噪声模型分布下的收敛性与一致性分析.在收敛性分析的基础上，提出具有一致收敛性的SVR方法。本项目涉及系统辨识及参数估计收敛性分析,概率论与数理统计,机器学习及支持向量机理论,学习能力及鲁棒性分析,因此,必须要有一个能精诚合作的研究集体.本项目组长期从事系统辨识及收敛性分析、机器学习等领域,有能力承担该项目研究工作.