基于SVM算法的改進及其在時間序列上的應用.pdf

1、自從BP神經網(wǎng)絡被成功地運用于時間序列分析上，人工智能技術受到了大家的熱點關注。作為人工智能領域的一種新方法，SVM(Support Vector Machine，支撐向量機)以其獨特的優(yōu)點脫穎而出。它引入滿足Kamsh-kuhn-Tucker條件的核函數(shù)，確保最大間隔問題的解的唯一性，這就避免了BP算法訓練過程中所出現(xiàn)的局部最小值問題。它的算法復雜度由支撐向量和樣本數(shù)決定，這樣即克服了對有限樣本數(shù)的限定。本文的研究目的是探索SVM在具

2、體應用中，特征向量的初選對于模型效果的影響。在此基礎上對標準算法進行改進，并將其應用于時間序列分析。本文的研究步驟如下： 首先，對傳統(tǒng)時間序列分析方法和人工智能方法進行比較分析。傳統(tǒng)時間序列模型諸如：AR、ARCH等，在與BP神經網(wǎng)絡的比較中，BP神經網(wǎng)絡的優(yōu)越性能突出體現(xiàn)，從而人工智能引起人們的關注。而作為上世紀90年代的SVM算法，將被提出運用于時間序列的分析。 其次，對SVM算法進行詳細的闡述。SVM算法起源于線性

3、分類問題，發(fā)展運用于非線性不可分割問題，并運用回歸問題中。在SVM的具體應用中，特征提取和損失函數(shù)的改進以及參數(shù)的選取是優(yōu)化算法的三個考慮角度。常用的特征提取方法有：ICA、PCA等，本文提出一種基于SVM的靈敏度分析方法，依據(jù)全局重要度對特征向量進行預選，并在此基礎上與基于PCA、ICA上的SVM模型進行比較。實驗證明該算法優(yōu)于其他算法。 最后，將該算法用于具體的時間序列分析。本文共列出兩個方向，一個為回歸問題，一個為分類問題