基于集成學(xué)習(xí)的支持向量機預(yù)測優(yōu)化算法及其應(yīng)用.pdf

1、支持向量機（Support Vector Machine, SVM)以置信范圍值最小化作為優(yōu)化目標，是一種基于統(tǒng)計學(xué)習(xí)理論框架下提出的一種新型模式識別方法，采用基于結(jié)構(gòu)風(fēng)險最小化準則的學(xué)習(xí)方法，推廣能力好。SVM擅長解決樣本數(shù)量小、低維空間線性不可分類等問題,并且能夠應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)中。但是由于SVM是借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計算，故其在應(yīng)用于大規(guī)模訓(xùn)練樣本方面難以實施。
　　本文針對

2、傳統(tǒng)的支持向量機在處理數(shù)據(jù)量大的樣本時，在預(yù)測時間方面有提高的缺點進行優(yōu)化算法改進。使得在保證精確度的情況下，學(xué)習(xí)時間大大減少。主要的研究工作如下：
　　首先，討論了機器學(xué)習(xí)的基本概念，支持向量機的基礎(chǔ)理論,包括統(tǒng)計學(xué)習(xí)理論、VC維理論、結(jié)構(gòu)風(fēng)險最小化原則、線性可分與非線性可分的情況、核函數(shù)等。著重討論了支持向量預(yù)測機，建立了預(yù)測回歸模型，并用Matlab中的LIBSVM工具包進行仿真實驗，采用交叉驗證的方法確定核函數(shù)與懲罰參數(shù)。

3、得到算法執(zhí)行均方誤差（最為精確度衡量）與運行時間等性能指標。在波動區(qū)間的預(yù)測問題方面，本文采用信息粒度化的思想，將時間序列分割成若干小子序列，再模糊化為三個粒子分別進行預(yù)測，得到分別對應(yīng)于最大值、最小值與平均值的預(yù)測結(jié)果。
　　其次，對于大規(guī)模樣本的訓(xùn)練時間方面的缺點，提出了基于動態(tài)聚類與集成學(xué)習(xí)思想的優(yōu)化改進算法。動態(tài)模糊聚類方法，通過選擇粒度值與計算樣本兩兩之間的距離，得到大致的初步聚類結(jié)果，用隸屬度函數(shù)作為確定每個數(shù)據(jù)點屬于

4、某個聚類程度的判斷準則，以保證劃分到同類的對象間距離最小，而不同類的對象間距離最大。不同粒度等級距離函數(shù)的衡量標準得到不同的聚類數(shù)目，將各次聚類結(jié)果進行采樣構(gòu)成子學(xué)習(xí)器，對每個子學(xué)習(xí)器進行分別預(yù)測訓(xùn)練，再將各個子學(xué)習(xí)器的輸出按照其誤差大小進行集成，得到最終輸出結(jié)果。并與優(yōu)化前全體樣本進行訓(xùn)練以及對整體樣本隨機采樣訓(xùn)練進行的結(jié)果進行對比，分析算法的性能優(yōu)缺點。
　　接著，搭建基于LabVIEW和Matlab的軟件系統(tǒng)平臺，把LabV