支持向量機與RBF神經網絡在數(shù)據(jù)預測模型的應用.pdf

1、人工神經網絡(Artificial Neural Networks)是一種基于計算機軟件實現(xiàn)的一種信息處理系統(tǒng)。但其實質是模擬人類大腦神經元的記憶、聯(lián)想以及反射等功能而抽象出來的數(shù)學模型。人工神經網絡的誕生以及發(fā)展，為現(xiàn)代非線性數(shù)據(jù)分析的發(fā)展提供了一條新的途徑。人工神經網絡有著廣泛的應用領域，包括函數(shù)逼近、回歸分析、模式識別與數(shù)據(jù)分類、聚類、預測、診斷以及過程控制等各行各業(yè)的各種領域。憑借著其較強的自適應能力、自組織性能力以及容錯性成為

2、近代機器學習以及智能系統(tǒng)領域的研究熱點之一。
　　 本文的主要研究內容是徑向基函數(shù)(Radial Basis Function，RBF)神經網絡的算法改進及其在股價預測方面的應用。首先，文中在對前人研究成果的總結以及對比的基礎上，介紹了支持向量機(Support Vector Machine，SVM)和RBF神經網絡的發(fā)展現(xiàn)狀，全面地分析研究了SVM和RBF神經網絡的理論、結構、算法以及應用，并且給出主要算法的數(shù)學推導過程。

3、r>　　 其次，根據(jù)兩種算法的優(yōu)勢與不足，提出了一種基于最小二乘支持向量回歸(LeastSquares Support Vector Regression，LSSVR)算法改進的RBF神經網絡，首先建立最小二乘支持向量回歸模型，應用改進的共軛梯度算法求解出的支持向量作為網絡中心，并用支持向量的個數(shù)確定RBF網絡的隱層節(jié)點數(shù)目，從而構造出RBF神經網絡較優(yōu)的初始結構和網絡參數(shù)，再用梯度下降法微調網絡參數(shù)，使網絡性能達到最優(yōu)。