支持向量机模型的优化及其应用研究
发布时间：2022-01-18 23:59
近年来随着互联网技术的飞速发展以及社会的不断进步,机器学习这一门人工智能科学在社会生产、科学研究及日常生活中占据着愈发重要的作用。作为机器学习中的经典算法,支持向量机（Support Vector Machine,SVM）基于其在小样本、非线性及高维模式识别中的特有优势而得到了快速的发展。目前国内外学者对支持向量机进行了许多有益的探索和研究,并将其成功应用于包括生物信息学、文本识别和天气预报等领域在内的生产生活各个方面。然而,没有一个模型可以在所有情况下都表现良好,单一的支持向量机仍然存在着局限性,如存在缺失值时效果欠佳、参数确定没有具体的标准以及面对复杂数据时表现不理想等,这些问题会对模型效果带来不利影响。基于这一背景,本文对支持向量机进行改进并提出若干基于支持向量机的优化模型。优化形式可以分为三类:数据结构优化、参数优化以及组合优化。对于数据结构优化,本文使用分解集成策略来选择合适的数据训练支持向量机,以改善支持向量机对复杂数据效果欠佳的问题;对于参数优化模型,本文提出基于最优化算法的模型来处理支持向量机参数选择问题;组合优化模型又可分为方法组合优化和模型组合优化,其中方法组合优化...
【文章来源】：东北财经大学辽宁省
【文章页数】：187 页
【学位级别】：博士
【部分图文】：
图２－１支持向量机分类演示??其中黑点和灰点代表两类数据，中间的直线是分类超平面，两边的直线是分类边界，??学习的目的是使分类超平面到分类边界的距离最大
８；?Ｇｏｎｚｄｌｅｚ?ｅｔ?ａｌ．?２０１３；?Ｈｅｓｓ，?Ｉｙｅｒ?和?Ｍａｌｍ?２００１?）。??ＫＺＡ滤波器首先识别发生突变时的时间间隔，然后通过缩短窗口大小来更仔细地检??查这些时间间隔，以便增加平滑结果的分辨率。??°?－?Ａ??＾?Ａ??￡?？??〇??—?〇〇?＿?；：：：??〇??？ｒ－—??▼—一??會??￣￣Ｉ?Ｉ?Ｉ?１?Ｉ?１?Ｉ??－０．１０?－０．０５?０?００?０．０５?０．１０??ｌａｍｄａ??图３－１添加突变后的原始时间序列??为了模拟ＫＺＡ滤波断点检测的效果，本节模拟了一个长期趋势并在时间序列中??隐藏了一些突变点。图３－１是幅度为Ｉ单位，噪声为正态分布（ｄ）并具有中断信??号的季节性正弦波图。为了使问题更加复杂，基本信号包含１个单位的下降趋势和??０．５个单位的上升趋势。基本时间序列是阶梯函数，当／＜?３４５２时，??ｖ?＝?－！－／?＋?ｓｉｎ＾２?Ｍ＾３４５２＜ｒ＜?７３００ｆｆｔ，＿ｙ?＝二＾－（，―３４５２）＋ｓｉｎ（２ｒ，Ｑ?将低通平??？?７３００?＾?７３００??滑滤波器尤Ｚ３?３６５应用于原始数据会导致过度平滑，如图３－２所示那样突变位置不再明??显，但是应用自适应版本的ＫＺ滤波器（ＫＺＡ）却成功找到了突变，如图３－３所示。??其中（１）是添加季节性和白噪声的时间序列，（２）是使用ＫＺＡ滤波的过滤结果。??这一结果论证了?ＫＺＡ滤波的效果。??２７??
支持向量机模型的优化及其应用研究??运：??ｔ?〇．?—????????运?＾?＾?＾?＾?一?￣￣?？￣?—????ｆｅ?？??—Ｉ?１?１?１???Ｃ?２Ｘ：?ＯＫ?９？＞：??天数??图３－２使用低通滤波ＫＺ３，３６５的滤波结果???时间序列＋季节项＋噪声???〇?ｚｘｃ?＊ｖｘ?９ｃｏ：??天数?⑴???ＫＺＡ滤波结果???１°．??Ｃ?２ＶＸ?＊７Ｋ?９ＸＣ??天数?（２）??图３－３使用ＫＺＡ滤波的滤波结果??ＫＺＡ滤波的基本想法是根据ＫＺ滤波发现的趋势调整窗口的大校这将使过滤??２８??
【参考文献】：
期刊论文
[1]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[2]气象条件对呼和浩特市空气质量变化的影响评估[J]. 吴宜航,白鹤鸣,师华定,李喜仓,高春香,宋海清. 干旱区研究. 2016(02)
[3]自适应粒子群支持向量机风速组合预测模型[J]. 柏丹丹,和敬涵,王小君,田文奇. 太阳能学报. 2015(04)
[4]基于气象调整的京津冀典型城市空气污染指数序列重建[J]. 白鹤鸣,师华定,高庆先,李喜仓,邸瑞琦,吴宜航. 生态与农村环境学报. 2015(01)
[5]基于网络搜索的票房预测模型——来自中国电影市场的证据[J]. 王炼,贾建民. 系统工程理论与实践. 2014(12)
[6]风电场风速数值预报的动态修订方法的探讨[J]. 吴息,黄林宏,周海,王知嘉,江燕如. 大气科学学报. 2014(05)
[7]网络搜索数据与消费者信心指数的相关性研究[J]. 刘伟江,樊国虎,李映桥. 数量经济研究. 2014(02)
[8]失业率预测研究——基于网络搜索数据及改进的逐步回归模型[J]. 彭赓,苏亚军,李娜. 现代管理科学. 2013(12)
[9]网络搜索数据与CPI的相关性研究[J]. 张崇,吕本富,彭赓,刘颖. 管理科学学报. 2012(07)
[10]基于组合预测方法的风电场短期风速预测[J]. 彭怀午,刘方锐,杨晓峰. 太阳能学报. 2011(04)
硕士论文
[1]基于时间序列分析的风速短期预测方法研究[D]. 岳莉莉.华北电力大学 2012
[2]基于支持向量机的组合预测模型及其个人信用评价方法[D]. 史小伍.江苏科技大学 2012
[3]基于数据降维和支持向量机的入侵检测方法研究[D]. 肖海明.华北电力大学（河北） 2010
本文编号：3595838
【文章来源】：东北财经大学辽宁省
【文章页数】：187 页
【学位级别】：博士
【部分图文】：
图２－１支持向量机分类演示??其中黑点和灰点代表两类数据，中间的直线是分类超平面，两边的直线是分类边界，??学习的目的是使分类超平面到分类边界的距离最大
８；?Ｇｏｎｚｄｌｅｚ?ｅｔ?ａｌ．?２０１３；?Ｈｅｓｓ，?Ｉｙｅｒ?和?Ｍａｌｍ?２００１?）。??ＫＺＡ滤波器首先识别发生突变时的时间间隔，然后通过缩短窗口大小来更仔细地检??查这些时间间隔，以便增加平滑结果的分辨率。??°?－?Ａ??＾?Ａ??￡?？??〇??—?〇〇?＿?；：：：??〇??？ｒ－—??▼—一??會??￣￣Ｉ?Ｉ?Ｉ?１?Ｉ?１?Ｉ??－０．１０?－０．０５?０?００?０．０５?０．１０??ｌａｍｄａ??图３－１添加突变后的原始时间序列??为了模拟ＫＺＡ滤波断点检测的效果，本节模拟了一个长期趋势并在时间序列中??隐藏了一些突变点。图３－１是幅度为Ｉ单位，噪声为正态分布（ｄ）并具有中断信??号的季节性正弦波图。为了使问题更加复杂，基本信号包含１个单位的下降趋势和??０．５个单位的上升趋势。基本时间序列是阶梯函数，当／＜?３４５２时，??ｖ?＝?－！－／?＋?ｓｉｎ＾２?Ｍ＾３４５２＜ｒ＜?７３００ｆｆｔ，＿ｙ?＝二＾－（，―３４５２）＋ｓｉｎ（２ｒ，Ｑ?将低通平??？?７３００?＾?７３００??滑滤波器尤Ｚ３?３６５应用于原始数据会导致过度平滑，如图３－２所示那样突变位置不再明??显，但是应用自适应版本的ＫＺ滤波器（ＫＺＡ）却成功找到了突变，如图３－３所示。??其中（１）是添加季节性和白噪声的时间序列，（２）是使用ＫＺＡ滤波的过滤结果。??这一结果论证了?ＫＺＡ滤波的效果。??２７??
支持向量机模型的优化及其应用研究??运：??ｔ?〇．?—????????运?＾?＾?＾?＾?一?￣￣?？￣?—????ｆｅ?？??—Ｉ?１?１?１???Ｃ?２Ｘ：?ＯＫ?９？＞：??天数??图３－２使用低通滤波ＫＺ３，３６５的滤波结果???时间序列＋季节项＋噪声???〇?ｚｘｃ?＊ｖｘ?９ｃｏ：??天数?⑴???ＫＺＡ滤波结果???１°．??Ｃ?２ＶＸ?＊７Ｋ?９ＸＣ??天数?（２）??图３－３使用ＫＺＡ滤波的滤波结果??ＫＺＡ滤波的基本想法是根据ＫＺ滤波发现的趋势调整窗口的大校这将使过滤??２８??
【参考文献】：
期刊论文
[1]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[2]气象条件对呼和浩特市空气质量变化的影响评估[J]. 吴宜航,白鹤鸣,师华定,李喜仓,高春香,宋海清. 干旱区研究. 2016(02)
[3]自适应粒子群支持向量机风速组合预测模型[J]. 柏丹丹,和敬涵,王小君,田文奇. 太阳能学报. 2015(04)
[4]基于气象调整的京津冀典型城市空气污染指数序列重建[J]. 白鹤鸣,师华定,高庆先,李喜仓,邸瑞琦,吴宜航. 生态与农村环境学报. 2015(01)
[5]基于网络搜索的票房预测模型——来自中国电影市场的证据[J]. 王炼,贾建民. 系统工程理论与实践. 2014(12)
[6]风电场风速数值预报的动态修订方法的探讨[J]. 吴息,黄林宏,周海,王知嘉,江燕如. 大气科学学报. 2014(05)
[7]网络搜索数据与消费者信心指数的相关性研究[J]. 刘伟江,樊国虎,李映桥. 数量经济研究. 2014(02)
[8]失业率预测研究——基于网络搜索数据及改进的逐步回归模型[J]. 彭赓,苏亚军,李娜. 现代管理科学. 2013(12)
[9]网络搜索数据与CPI的相关性研究[J]. 张崇,吕本富,彭赓,刘颖. 管理科学学报. 2012(07)
[10]基于组合预测方法的风电场短期风速预测[J]. 彭怀午,刘方锐,杨晓峰. 太阳能学报. 2011(04)
硕士论文
[1]基于时间序列分析的风速短期预测方法研究[D]. 岳莉莉.华北电力大学 2012
[2]基于支持向量机的组合预测模型及其个人信用评价方法[D]. 史小伍.江苏科技大学 2012
[3]基于数据降维和支持向量机的入侵检测方法研究[D]. 肖海明.华北电力大学（河北） 2010
本文编号：3595838
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3595838.html
