비선형 모델링과 서포트 벡터 머신

다층 퍼셉트론 및 방사 기저 함수 네트워크와 같은 신경망은 광범위한 문제에서 매우 성공적이었습니다. 본 논문에서는 통계 학습 이론 및 구조적 위험 최소화 내에서 소개된 새로운 커널 기반 기법의 클래스인 서포트 벡터 머신(SVM)과 관련된 몇 가지 새로운 개발에 대한 간략한 소개를 제공합니다. 이 새로운 접근법은 볼록 최적화 문제를 해결하는 데 유용하며, 이 솔루션으로부터 모델 복잡성이 파생됩니다. 우리는 특히 높은 차원의 입력 공간에서도 매우 비선형적이고 노이즈가 많은 블랙박스 모델링 문제를 해결할 수 있는 최소 제곱 서포트 벡터 머신(LS-SVM) 공식을 집중적으로 다룹니다. 표준 SVM은 기본적으로 분류 및 함수 추정과 같은 정적 문제에만 적용되었으나, LS-SVM 모델은 순환 모델로 확장되고 최적 제어 문제에 사용되고 있습니다. 또한, 가중 최소 제곱 및 특수 가지치기 기법을 사용하여 LS-SVM은 견고한 비선형 추정 및 희소 근사에 활용될 수 있습니다. (LS)-SVM을 다양한 인공 및 실제 데이터 세트에 적용한 결과, 이러한 방법의 엄청난 잠재력이 있음을 보여줍니다.