回归支持向量机在区域高程异常拟合中的应用 |
| |
引用本文: | 洪晓鸿,洪璐.回归支持向量机在区域高程异常拟合中的应用[J].浙江国土资源,2014(5):51-52. |
| |
作者姓名: | 洪晓鸿 洪璐 |
| |
作者单位: | 绍兴市柯桥区政府统一征地办公室;浙江省第一测绘院; |
| |
摘 要: | 一、引言
上世纪90年代, Vapnik等人通过对机器学习的深入研究,将Vapnik本人创立的统计学习理论(Statistical Learning Theory,SLT)即有限样本学习理论,及相关概念-VC维(VC Dimension)、结构风险最小化准则( Structural Risk Minimization, SR M)、核函数( Kernel Function)引入到机器学习领域,提出了有限样本学习条件下,解决模式识别、回归分析问题时,通过黑箱模型建立“输入”和“输出”的“泛函”关系,并且使得模型具有较强“泛化”能力的支持向量机(Support Vector Machine,SVM)模型。空间高程异常拟合计算模型是以有限数量的已知点的大地经纬度(B,L)作为已知的输入量,空间点位的大高与该点的水准高的差值(H大地高-h水准高)作为输出量构成的分析样本,通过机器学习建立空间点位的大地经纬度(B,L)和该点高程异常值之间精确的“黑箱”关系,应用于空间样本点区域范围内及周边区域高程异常空间变化求解。
|
关 键 词: | 回归支持向量机 高程异常拟合 应用 Dimension 结构风险最小化准则 Learning 空间变化 黑箱模型 |
本文献已被 CNKI 维普 等数据库收录! |
|