局部加权最小二乘支持向量机回归模型(Local Weighted Least Squares Support Vector Machines,LW-LSSVM)是一种在线学习模型,该类模型需要根据训练样本权重的调整不断重新进行训练。高效稳定的学习算法是LW-LSSVM模型取得成功应用的关键。分别采用最小残差法(MINRE)、共轭梯度法(CG)、零空间法和Cholesky分解算法求解WL-LSSVM模型。基准数据库上的数值实验表明最小残差法的计算时间最短,具有良好的数值稳定性。随后,应用基于MINRES的WL-LSSVM建立了高炉铁水硅含量的在线预测模型,仿真实验表明与LSSVM相比LW-LSSVM模型具有更高的预报精度和自适应性。
