Resumen

La estrategia dispersa desempeña un papel importante en la aplicación de la máquina de vectores soporte de mínimos cuadrados (LSSVM), para aliviar la condición de que la solución de LSSVM carece de dispersidad y robustez. En este artículo se propone un método disperso que utiliza vectores soporte reconstruidos y que también se ha aplicado con éxito a la predicción de la carga de los molinos. A diferencia de otros algoritmos dispersos, ya no selecciona los vectores de soporte del conjunto de datos de entrenamiento según las contribuciones clasificadas para la optimización de LSSVM. En su lugar, los datos reconstruidos se obtienen primero basándose en el modelo inicial con todos los datos de entrenamiento. A continuación, se seleccionan los vectores de soporte del conjunto de datos reconstruidos de acuerdo con la información de localización de la agrupación de densidad en el conjunto de datos de entrenamiento, y el proceso de selección finaliza tras recorrer el conjunto total de datos de entrenamiento. Por último, el modelo de entrenamiento podría construirse basándose en los vectores de soporte reconstruidos óptimos y el hiperparámetro ajustado posteriormente. Además, el artículo propone un algoritmo complementario para sustraer los vectores de soporte redundantes del modelo anterior. Se llevan a cabo numerosos experimentos con conjuntos de datos sintéticos, conjuntos de datos de referencia y conjuntos de datos de carga de fábrica, y los resultados ilustran la eficacia del método disperso propuesto para LSSVM.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Estrategia dispersa; máquina de vectores soporte de mínimos cuadrados; sparseness; robustez; vectores soporte reconstruidos; predicción de carga de molinos.
• Keywords:Sparse strategy; least square support vector machine; sparseness; robustness; reconstructed support vectors; mill load prediction