小波支持向量機(jī)在數(shù)據(jù)建模中的研究及應(yīng)用.pdf

1、支持向量機(jī)(SVM)是一種新的數(shù)據(jù)建模方法，它基于統(tǒng)計(jì)學(xué)習(xí)理論，具有堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)和嚴(yán)格的理論分析，具有理論完備、全局優(yōu)化、適應(yīng)性強(qiáng)、推廣能力好等優(yōu)點(diǎn)，是機(jī)器學(xué)習(xí)中的一種新方法和研究新熱點(diǎn)。它運(yùn)用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，綜合了統(tǒng)計(jì)學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等方面技術(shù)，在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí)，有效地提高了算法泛化能力。 以往大部分研究主要集中在支持向量機(jī)分類理論和應(yīng)用上，近年來(lái)關(guān)于支持向量機(jī)回歸的研究也顯示出其優(yōu)異的性能。作為一個(gè)新的理論和方

2、法，支持向量機(jī)回歸在訓(xùn)練算法和實(shí)際應(yīng)用等方面有諸多值得深入探討的課題。 本論文就以上主要內(nèi)容進(jìn)行了深入的研究并取得了以下結(jié)果： 1.研究支持向量核函數(shù)條件的基礎(chǔ)上，構(gòu)造了一種基于小波核函數(shù)的小波支持向量機(jī)。分析了算法的收斂性、通用性和泛化能力。該算法擴(kuò)充較為容易，實(shí)驗(yàn)結(jié)果表明小波支持向量機(jī)算法具有比較理想的函數(shù)逼近能力。 2.研究了KPCA支持向量機(jī)算法。借鑒核函數(shù)思想，提出了一種基于核主元分析和小波最小二乘支持

3、向量機(jī)的數(shù)據(jù)建模方法，用核主元分析對(duì)輸入變量進(jìn)行數(shù)據(jù)壓縮，消除變量之間的相關(guān)性，通過(guò)交叉驗(yàn)證的方法對(duì)支持向量機(jī)進(jìn)行參數(shù)選擇。將其用于雙酚A(BPA)數(shù)據(jù)建模的結(jié)果表明：該方法具有學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)。 3.針對(duì)SVM參數(shù)(核參數(shù)、懲罰因子)模型推廣能力影響較大，而目前又無(wú)解析方法指導(dǎo)小波SVM參數(shù)選取的問(wèn)題，本文提出了一種基于量子粒子群優(yōu)化(QPSO)算法的小波SVM參數(shù)選擇方法。該方法將SVM參數(shù)集當(dāng)作粒子群，以最小化