• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Advanced Technologies for Communications >Regression Based on Sparse Bayesian Learning and the Applications in Electric Systems
【24h】

Regression Based on Sparse Bayesian Learning and the Applications in Electric Systems

机译：基于稀疏贝叶斯学习的回归和电力系统的应用

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper introduces a general Bayesian framework for obtaining sparse solutions to regression predicting, and the practical model 'relevance vector machine' (RVM) by Michael E. Tipping. As a brand-new thought of probabilistic learning model, it offers the superior level of generalization accuracy and a number of additional advantages comparable with the popular and state-of-the-art 'support vector machine' (SVM). Utilize the advantages of the RVM, it can be applied in sorts of practical engineering fields and gain the special benefits. In this paper we also give the perspective of the model in electric systems regression implementations. A short-term electricity load prediction model is presented as an example.
机译：本文介绍了一般的贝叶斯框架，用于获得回归预测的稀疏解决方案，以及Michael E的实际模型'相关矢量机'（RVM）。作为概率学习模式的全新思想，它提供了卓越的泛化精度和许多额外优点，与流行和最先进的“支持向量机”（SVM）相当。利用RVM的优点，可以应用于各种实用的工程领域并获得特殊福利。在本文中，我们还提供了电气系统回归实现中模型的视角。以短期电力负荷预测模型为例。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号