Hsiuping University of Science and Technology Institutional Repository : Item 310993100/3851
English  |  正體中文  |  简体中文  |  全文笔数/总笔数 : 4340/7639
造访人次 : 3493459      在线人数 : 227
RC Version 3.2 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜寻范围 进阶搜寻

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.hust.edu.tw/dspace/handle/310993100/3851

题名: 自我分裂型K-平均模糊類神經系統支持向量回歸用於照度估計
Self-Splitting K-Means Generated Neural Fuzzy System with Support Vector Regression for Illumination Estimation
作者: 莊易蒼
贡献者: 電機工程研究所
关键词: 自我分裂型支持向量回歸演算法
日期: 2012-06
上传时间: 2013-11-19T06:30:48Z
摘要: 本論文提出一個使用自我分裂型的K–Means演算法與支持向量回歸（SSKNFS-SVR）結合的類神經模糊系统的方法來估計日照流明數。SSKNFS-SVR後鑑部為單值或TSK函數型。
對於結構學習，自我分裂型的K–Means演算法是將輸入的訓練數據分群，並決定規則數。對於參數學習，採用線性支持向量回歸（SVR）演算法，調整後鑑部的自由參數。使用SVR支持向量回歸作參數學習的動機是提高SSKNFS- SVR的廣義能力。
提出本論文的目的是將SSKNFS- SVR自我分裂型群聚模糊類神經支持向量回歸估算在不同氣候環境下教室的日照模型。
This paper proposes a Self-Splitting K-Means generated Neural Fuzzy System with Support Vector Regression (SSKNFS-SVR). The consequent layer in SSKNFS-SVR is a Takagi-Sugeno-Kang (TSK)-type or singleton consequent.
For structure learning, a Self-Splitting K-Means algorithm clusters the input training data and determines the rule number. For parameter learning, a linear support vector regression (SVR) algorithm is proposed to tune free parameters in the consequent part. The motivation for using SVR for parameter learning is to improve the SSKNFS-SVR generalization ability. This paper demonstrates the capabilities of SSKNFS-SVR by conducting simulations in illumination estimation approximations.
描述: 指導教授:謝承達
显示于类别:[電機工程系(含碩士班)] 學位論文

文件中的档案:

档案 大小格式浏览次数
index.html0KbHTML286检视/开启

在HUSTIR中所有的数据项都受到原著作权保护.

 

DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回馈