Si Gangquan,Shi Jianquan,Guo Zhang
In least squares support vector machine (LSSVM), nonlinear function estimation is done by solving a linear set of equations instead of solving a quadratic programming problem, and a nonsparse solution is obtained. Several sparse algorithms have been developed to obtain reduced support vectors to improve the generalization performance of LSSVM. However, all of them iteratively look for support vectors in training datasets, which may are not the most superior choice for building the function model. In this paper, we propose a method of reconstructed support vectors based on the training datasets. The support vectors reconstructed are near the hyper plane of target function and uniformly distributed, which have more contribution to target function. In addition, the method we proposed converges at a faster rate than those iterative algorithms, because one-step selecting strategy is adapted without repeated training. To show the efficacy and feasibility of our proposed algorithm, some comparing experiments are conducted, which are all favorable for our viewpoints. That is, the method we proposed needs less number of support vectors to reach the almost same generalization performance, most important, which has the better robustness and accuracy prediction for the real operating mode.
2015-05-13
the Specialized Research Fund for Doctoral Program of Higher Education of China （Grant No:20130201120011）
, Xi'an Jiaotong University, Xi’an, Shaanxi Province, 710049 ,State Key Laboratory of Electrical
SI Gangquan,SHI Jianquan,Guo Zhang
To solve the sparseness problem of least squares support vector machine (LSSVM) in learning process, a training algorithm of LSSVM based on active learning is investigated. In the first stage of the algorithm, in order to solve the problem of a large number of similar training data samples, we select support samples by K-means clustering method. The second stage, we obtain a model using LSSVM and conduct function estimation of the all samples, calculating the error of the estimation values and the original samples, sorting support samples and selecting the best sample. Then the selected sample is added into training set to obtain new model. And the processes are repeated until the predetermined performance requirements are achieved, thus the sparse LSSVM model is obtained. The simulation on sinc function indicates that the proposed method performs more effectively than Suykens standard sparse method for removing the redundant support vector with better sparseness and robustness. The experiments on motorcycle dataset of the UCI indicate that the proposed algorithm can solve the problem of heteroscedasticity in some degree.
2014-03-19
the Specialized Research Fund for Doctoral Program of Higher Education of China （Grant No:20130201120011）
, Xi'an Jiaotong University, Xi’an, Shaanxi Province, 710049 ,State Key Laboratory of Electrical
2012-03-20
从投入、平台和产出等五个维度出发，选取28个指标，建立创新评价指标体系和评价效果模型。采用模糊集合论方法求得指标的隶属度，组合赋权法确定指标权重。根据2010年陕西省和全国其他29个省市的统计数据，比较分析陕西省创新政策的实施效果。结果表明，陕西省的创新政策实施效果比较明显，投入力度大，科技产出多，但陕西的创新平台没起到应有的作用，创新对经济的促进作用不显著。
2011-11-30
文章以全国2003年MODIS影像数据为基础，使用ENVI软件提取陕西省整个行政区域的归一化植被指数NDVI，并最终制作陕西省2003年整个行政区域动态植被变化图，并且分析陕西省当年植被随月份变化的覆盖情况。文章详细的说明了整个直观动态植被变化覆盖图的过程和从宏观上分析陕西省的全年植被变化情况，并为长期监测该地区的植被覆盖情况提供了现实的依旧和方法。
中国矿业大学 环境与测绘学院，江苏 徐州 221116,中国矿业大学 环境与测绘学院，江苏 徐州 221116
#测绘科学技术#
2009-05-19
本文通过考察和修正GDP影响因素模型，对陕西省GDP影响因素进行主成分分析后，得出综合经济发展指标F, 并进一步在F的内在构成和其对省GDP的拟合回归分析后，认为产业机构和国民经济支出法核算体系各指标变量对省GDP的影响比较均衡，由此给出了具有现实意义的政策读解和建议。
西安交通大学经济与金融学院
#经济学#
2012-05-18
利用2001-2011年MODIS地表温度（LST）数据，采用最大值合成法、均值法、差值法对陕西省11a的LST的时空分布特征进行了分析。结果表明：11a间，陕西省的LST呈现上下波动的变化趋势，总体比较稳定，陕北、陕南、关中三区域的均值LST表现为：陕北>关中>陕南；LST的年内变化陕北最为剧烈，陕南最为平缓，关中次之，且具有明显的季节性，夏季最大，冬季最小，春季和秋季相当，南北LST差值夏季最大，冬季最小，在6月份达到LST全年最大。在空间分布上，随着纬度的增加，年均LST由南至北逐渐增加，陕北的变化最为显著，关中和陕南的变化较小；年内LST的变化有所差异，冬时段的LST沿南至北减少，春季-秋季的LST的变化特征则相反。这些特征都是受气候、地形、下垫面地表覆盖类型等因素共同影响的结果。
中国农业大学信息与电气工程学院，北京 100083,中国农业大学信息与电气工程学院，北京 100083,中国农业大学信息与电气工程学院，北京 100083,陕西省气象局，陕西西安 710014,陕西省气象局，陕西西安 710014
#地球科学#
2013-11-04
利用2001~2011年MODIS归一化植被指数（NDVI）时间序列影像数据，分析了陕西省植被指数的时空分布特征。结果表明：从时间分布来看，11a来陕西省NDVI相对比较稳定，整体呈缓慢增加趋势；陕西省三大地区11a的NDVI平均值表现为：陕南最大，关中次之，陕北最小，且随着季节的更替，呈现出明显的季节性规律，夏季最大，冬季最小，春季和秋季相近；在空间分布上，NDVI具有由北向南逐渐增加的特点，11a间陕北、陕南、关中的NDVI均有所增长，尤其是陕北地区（榆林市东南部及延安市北部）的NDVI增加显著，关中地区和陕南地区的NDVI是稳中有增，但西安市城区的NDVI在持续减少。
高等学校博士学科点专项科研基金项目（20100008110031）
国家自然科学基金项目（41071235、41371390）
中国农业大学信息与电气工程学院/农业部农业信息获取技术重点实验室，北京 100083,中国农业大学信息与电气工程学院/农业部农业信息获取技术重点实验室，北京 100083,陕西省气象局，陕西西安 710014,陕西省气象局，陕西西安 710014,中国农业大学信息与电气工程学院/农业部农业信息获取技术重点实验室，北京 100083
#农学#
2016-11-18
在界定中小企业转型升级内涵的基础上，结合陕西省中小企业转型升级之实践，以解决中小企业转型升级过程中的资金需求为目的，重点分析了管理转型、商业模式转型、行业转型和企业升级等四种陕西省中小企业常用的转型升级战略的内涵以及其资金需求特征，论述了P2P网贷、众筹和电商金融等互联网金融工具在解决中小企业转型升级资金需求中的特点与优势，从而以一个新的视角给出了中小企业转型升级过程中解决资金瓶颈的可行策略。在此基础上，文章进一步提出了以充分发挥互联网金融作用为手段，以中小企业、互联网金融企业以及政府三方行为主体共同参与的促进中小企业成功实现转型升级的政策建议。
2017-04-24
为了优化产业调整，用随机前沿分析法，以陕西省为例，将技术创新效率分为市场导向和非市场导向，并对典型行业的技术创新效率测算结果进行了分析。研究表明：各行业的技术创新效率总体上处于上升趋势，但行业间表现出明显差距；行业自身的非市场导向与市场导向的效率差距很大，表现出技术创新能力的不协调；市场、政策等因素影响到了行业的发展，从而也影响到了行业的创新效率表现。陕西省应当根据各行业的技术创新效率表现，并结合宏观政策与市场环境等外部因素对各行业做出针对性调整，引导产业健康、可持续发展。
陕西省软科学计划面上项目（2016KRM024）
陕西省软科学研究计划重点项目（2015KRZ001）
西安科技大学管理学院，西安，710054,西安科技大学管理学院，西安，710054,上海大学经济学院，上海宝山，201900
#经济学#
2009-04-03
陕西省已经形成了以西安为中心、关中地区为主体、陕南和陕北为两翼的旅游发展格局。长期以来一直是“两翼薄弱，一城独大”。商洛作为陕南三市之一，旅游业发展落后，但其旅游资源保护很好，而且具有一定数量的优良级旅游资源。笔者对商洛市旅游资源进行了简要的介绍与评价，重点分析了目前商洛市旅游资源的分布特点和地域文脉，然后结合相应的旅游资源开发案例，提出与本地相适应的资源整合方案和旅游开发建议，为商洛市旅游业的快速、健康、可持续发展提供了理论基础。
提示
