支持向量回归的颅内压时间系列无损估计方法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

支持向量回归的颅内压时间系列无损估计方法

吴少智, 吴跃, 徐鹏, 胡晓

文章导航 > 电子科技大学学报 > 2011 > 40(6): 956-960

吴少智, 吴跃, 徐鹏, 胡晓. 支持向量回归的颅内压时间系列无损估计方法[J]. 电子科技大学学报, 2011, 40(6): 956-960.

引用本文:

吴少智, 吴跃, 徐鹏, 胡晓. 支持向量回归的颅内压时间系列无损估计方法[J]. 电子科技大学学报, 2011, 40(6): 956-960.

WU Shao-zhi, WU Yue, XU Peng, HU Xiao. Support Vector Regression Based Time Series Mining Approach for Non-Invasive ICP Assessment[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(6): 956-960.

Citation:

WU Shao-zhi, WU Yue, XU Peng, HU Xiao. Support Vector Regression Based Time Series Mining Approach for Non-Invasive ICP Assessment[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(6): 956-960.

支持向量回归的颅内压时间系列无损估计方法

吴少智^1,4,
吴跃²,
徐鹏³,
胡晓⁴

1.
电子科技大学无锡研究院成都 611731;
2.
电子科技大学计算机科学与工程学院成都 611731;
3.
电子科技大学神经信息教育部重点实验室成都 610054;
4.
加州大学洛杉矶分校美国 CA 90025

基金项目:

国家863计划(2007AA01Z443);四川省基础应用研究项目(2010JY0001)

作者简介:
吴少智(1972-),男,博士生,主要从事数据挖掘、时间序列分析及生物医学信息分析、计算机网络等方面的研究.

中图分类号: TP301.6

Support Vector Regression Based Time Series Mining Approach for Non-Invasive ICP Assessment

1.
Institute of Wuxi,University of Electronic Science and Technology of China Chengdu 611731;
2.
School of Computer Science and Engineering,University of Electronic Science and Technology of China Chengdu 611731;
3.
Key Laboratory for Neuro Information of Ministry of Education,University of Electronic Science and Technology of China Chengdu 610054;
4.
Los Angeles,University of California USA CA 90025

摘要: 在对时间序列数据挖掘框架进行研究时发现：在利用线性映射函数刻画误差和特征间的关系时,不能获得对颅内压力信号的精确估计。为了提高对颅内压估计的精确性,本文采用支持向量回归构建存在于特征和误差间的非线性映射函数,实验结果表明：基于支持向量回归的非线性映射函数预测效果明显优于先前所采用的线性最小二乘法所构成的线性映射函数策略。
- 数据挖掘框架 /
- 最小二乘法 /
- 非线性映射函数 /
- 支持向量回归
Abstract: For the data mining based on time series estimation, the existed studies reveal that the Intra-Cranial Pressure (ICP) time series cannot be well estimated when the linear mapping function is used to delineate the relationship between error and feature. To improve the accuracy for ICP estimation, the non-linear support vector regression (SVR) is used to construct the nonlinear function between feature and error. The experiment results showed that the SVR based mapping function is superior to the linear least square based one.
- data mining framework /
- linear least squares /
- nonlinear mapping function /
- support vector regression

[1]	刘敏, 方义治, 孙廷玺, 何伟, 罗思琴, 兰雪珂, 周念成. 基于多元模糊支持向量数据描述的高压电缆缺陷识别 . 电子科技大学学报, 2020, 49(2): 240-247. doi: 10.12178/1001-0548.2019010
[2]	柴伟, 纪镐南. 基于等距映射的非线性系统集员参数估计 . 电子科技大学学报, 2018, 47(2): 203-208. doi: 10.3969/j.issn.1001-0548.2018.02.007
[3]	蒋伟雄, 曾令李, 秦键, 刘华生, 沈辉, 王维. 利用动态功能连接对健康危险性行为特征的预测 . 电子科技大学学报, 2018, 47(6): 927-931. doi: 10.3969/j.issn.1001-0548.2018.06.020
[4]	刘强, 陈西宏, 薛伦生, 范玉平, 张群. 基于映射函数的对流层双向时间比对斜延迟分析 . 电子科技大学学报, 2015, 44(5): 689-694. doi: 10.3969/j.issn.1001-0548.2015.05.009
[5]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[6]	安宗文, 张宇, 刘波. 风电齿轮箱零件寿命分布函数的确定方法 . 电子科技大学学报, 2014, 43(6): 950-954. doi: 10.3969/j.issn.1001-0548.2014.06.027
[7]	徐会彬, 施星君, 任斌, 薛小平. 基于车辆运动轨迹的VANETs位置验证 . 电子科技大学学报, 2013, 42(4): 586-591. doi: 10.3969/j.issn.1001-0548.2013.04.011
[8]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
[9]	吴炜, 杨晓敏, 余艳梅, 石一兴, 何小海. 核偏最小二乘算法的图像超分辨率算法 . 电子科技大学学报, 2011, 40(1): 105-110. doi: 10.3969/j.issn.1001-0548.2011.01.020
[10]	江虹, 伍春, 马景辉. 最小二乘SVM的CR认知引擎设计 . 电子科技大学学报, 2011, 40(1): 41-46. doi: 10.3969/j.issn.1001-0548.2011.01.008
[11]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[12]	马争, 黄祎. 曲线拟合的虹膜定位算法研究 . 电子科技大学学报, 2009, 38(3): 426-430. doi: 10.3969/j.issn.1002-0548.2009.03.026
[13]	周金柱, 段宝岩, 黄进, 李华平. 裂缝天线缝制造精度对电性能影响的预测 . 电子科技大学学报, 2009, 38(6): 1047-1051. doi: 10.3969/j.issn.1001-0548.2009.06.033
[14]	万群, 王伟, 黄际彦, 宋玉梅. 模糊支持向量机的非直达波抑制算法 . 电子科技大学学报, 2008, 37(6): 803-806.
[15]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[16]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.
[17]	宋召青, 赵国荣. 磁致伸缩作动器连续模型辨识 . 电子科技大学学报, 2006, 35(4): 510-513.
[18]	董吉辉, 杨华军, 邱琪, 黄波. A脉冲激光雷达测速的曲线拟合方法 . 电子科技大学学报, 2005, 34(6): 771-773,849.
[19]	郭科, 施泽进, 唐菊兴, 陈聆, 刘二永, 魏友华. 用多重分形研究元素的共生组合性 . 电子科技大学学报, 2004, 33(2): 221-224.
[20]	唐小我. 非线性需求函数条件下二度价格歧视研究 . 电子科技大学学报, 1999, 28(1): 78-83.

WeChat

点击查看大图

计量

文章访问数: 3532
HTML全文浏览量: 91
PDF下载量: 77
被引次数: 0

支持向量回归的颅内压时间系列无损估计方法

1. 电子科技大学无锡研究院成都 611731;

2. 电子科技大学计算机科学与工程学院成都 611731;

3. 电子科技大学神经信息教育部重点实验室成都 610054;

4. 加州大学洛杉矶分校美国 CA 90025

基金项目:

国家863计划(2007AA01Z443);四川省基础应用研究项目(2010JY0001)

作者简介:
吴少智(1972-),男,博士生,主要从事数据挖掘、时间序列分析及生物医学信息分析、计算机网络等方面的研究.

收稿日期: 2010-03-03
修回日期: 2010-07-19
刊出日期: 2011-12-15

中图分类号: TP301.6

关键词:

摘要: 在对时间序列数据挖掘框架进行研究时发现：在利用线性映射函数刻画误差和特征间的关系时,不能获得对颅内压力信号的精确估计。为了提高对颅内压估计的精确性,本文采用支持向量回归构建存在于特征和误差间的非线性映射函数,实验结果表明：基于支持向量回归的非线性映射函数预测效果明显优于先前所采用的线性最小二乘法所构成的线性映射函数策略。

English Abstract

吴少智, 吴跃, 徐鹏, 胡晓. 支持向量回归的颅内压时间系列无损估计方法[J]. 电子科技大学学报, 2011, 40(6): 956-960.

引用本文:

吴少智, 吴跃, 徐鹏, 胡晓. 支持向量回归的颅内压时间系列无损估计方法[J]. 电子科技大学学报, 2011, 40(6): 956-960.

WU Shao-zhi, WU Yue, XU Peng, HU Xiao. Support Vector Regression Based Time Series Mining Approach for Non-Invasive ICP Assessment[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(6): 956-960.

Citation:

WU Shao-zhi, WU Yue, XU Peng, HU Xiao. Support Vector Regression Based Time Series Mining Approach for Non-Invasive ICP Assessment[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(6): 956-960.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发