两种SVM模型对比分析下的改进创新.pdfVIP

两种 SVM模型对 比分析下的改进创新 InnovationintheComparisonofTwoM odelsofSVM 金伟华 J Ⅵ，e1．hu8 建立在ARMA模型上的时间序列预测，我们通常采用标准的支持向量机来进行预测，但是这种做 法被严重诟病 例如：它的计算速度慢，低效率以及内存 占有率高等问题。有研究在此基础 上改进的SVM算法，它是通过对大样本量进行细分，并依据每个子样本对原样本的贡献度大 小赋予它们不同程度的惩罚因子，已经被认为是重要的突破。在实际经济预测中 (如股票预 测)取到了不错的效果。但相较于普通的SVM，它还存在不成熟的地方。本文就这两种SVM算 法背景下，对它们的优缺点以及适用范围进行更深层次的探讨。 时间序列 分解加权回归 支持向量机 Abstract TimeseriespredictionbasedonARMA model，whichweusuallyadoptthestandardsupportvector machinetopredictprocess，hasbeenreviledseriouslyandfrequently．Suchas，hteslow trainingspeeds，low efficiency, lragememoryshareandSOon．Itisclaimedhtathtelargesamplecarlbesubdividedintokindsofsmallapartmentsby pioneerofthisarea，intowhichareattacheddifferentdegreeofpunishmentaccordingtotheimportanceofhtesupport vector．Basedontheexperimentoffact，itwitnessesadecentsuccessintheaspectofeconomicindicators(suchasstock index)．Nowcenteredonthebackgroundoftheapplicationintotimeseriesprediction，wewilldiscusshteadvnatage naddisadvantageofthetwomethodsna dwhichoneisbeRer． Keyword Timeseries Rergessionofdivisionnadweighting Suppo~vectormachine doi：10．3969~．issn．1672-9528．2014．03．20 SVM自1990年就备受关注，因为它在解决实际 我们是建立在线性分类的条件下来分析，因此， 问题上颇有成效。本文将就其在时间序列预测这一问 以下考虑的是线性情形。由图1分析可知： 题上进行探讨，对 比两种算法的效果。本文的创新之 处在于：第一，分析两种算法模型的优缺点；第二 就它们各 自的应用条件和适用范围进行深度的挖掘。 不足之处：没有在算法上提出更进一步的创新，这 一 点在以后不同的领域还要得到更进一步的改进。 图1 最优分类面图 1 支持向量机 图1中W +b=0是最优分类面方程 (这里，W， 首先，我们得熟悉什么是最优分类面，这是支持 是向量)。这个面是将两类不同的样本集分隔开，显然它 向量机的基础内容。这里就一般SVM，对这几个相关 是不唯一的。我们假设找出一系列这样的分类面，记为 概念进行简要的介绍。 z=(z，z：，… )，然后将这些面各自平移直至分别与两类 1．1最优分类面 样本集的第一个样本点相切，我们称之为边际面