基于集成學習的支持向量機預測優(yōu)化算法及其應用.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)計學習理論框架下提出的一種新型模式識別方法，采用基于結構風險最小化準則的學習方法，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,并且能夠應用到函數(shù)擬合等其他機器學習中。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，故其在應用于大規(guī)模訓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，學習時間大大減少。主要的研究工作如下：
　　首先，討論了機器學習的基本概念，支持向量機的基礎理論,包括統(tǒng)計學習理論、VC維理論、結構風險最小化原則、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測機，建立了預測回歸模型，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測，得到分別對應于最大值、最小值與平均值的預測結果。
　　其次，對于大規(guī)模樣本的訓練時間方面的缺點，提出了基于動態(tài)聚類與集成學習思想的優(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，將各次聚類結果進行采樣構成子學習器，對每個子學習器進行分別預測訓練，再將各個子學習器的輸出按照其誤差大小進行集成，得到最終輸出結果。并與優(yōu)化前全體樣本進行訓練以及對整體樣本隨機采樣訓練進行的結果進行對比，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