55、基于小波核孪生支持向量回归的状态反馈控制与遗传动态模糊神经网络研究

基于小波核孪生支持向量回归的状态反馈控制与遗传动态模糊神经网络研究

小波核孪生支持向量回归

在回归分析中，为了从公式中获取 $w_1$、$b_1$、$w_2$ 和 $b_2$ ，我们可以依据以下方程：
$\begin{bmatrix}w_1 \ b_1\end{bmatrix} = (\begin{bmatrix}X^T \ e^T\end{bmatrix} \begin{bmatrix}X & e\end{bmatrix})^{-1} \begin{bmatrix}X^T \ e^T\end{bmatrix}((Y - e\varepsilon_1) - \alpha)$
$\begin{bmatrix}w_2 \ b_2\end{bmatrix} = (\begin{bmatrix}X^T \ e^T\end{bmatrix} \begin{bmatrix}X & e\end{bmatrix})^{-1} \begin{bmatrix}X^T \ e^T\end{bmatrix}((Y + e\varepsilon_2) + \mu)$

不过，$\begin{bmatrix}X^T \ e^T\end{bmatrix} \begin{bmatrix}X & e\end{bmatrix}$ 虽为半正定矩阵，但在某些情况下可能存在病态问题。为解决这一缺陷，我们引入正则化项，$I$ 为适当维度的单位矩阵，此时上述方程可改写为：
$\begin{bmatrix}w_1 \ b_1\end{bmatrix} = (\begin{bmatrix}X^T \ e^T\end{bmatrix} \begin{bmatrix}X & e\end{bma