基于SVM的大样本集系统辨识与函数拟合仿真

摘要

支持向量机是一种优秀的学习方法,也是具有很好泛化性能的回归方法.但由于支持向量机算法实习复杂,效率低,严格限制了其应用,SMO算法的提出大大提高了支持向量机的学习效率.因此,借助SMO算法,便可以实现大样本集的非线性系统辨识和函数拟合.文中对回归问题的SMO算法作了详细介绍,并对其进行改进.然后研究了利用改进SMO算法的非线性系统辨识方法,给出了非线性系统的辨识的仿真结果,和一维二维函数的拟合仿真.并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性.