基于主成分分析支持向量机回归预测模型.pdfVIP

2008耳912期 中图分类号：TP391文献标识码：A 文章编号：1009—2552(2008)12—0058—03 基于主成分分析的支持向量机回归预测模型 王 磊 (辽宁工程技术大学理学院，阜新123000) 摘要：首先利用主成分分析法降低样本数据的维数，建立主成分的多元回归预测模型，其次 利用支持向量机方法确定回归模型的系数，最后实例说明了该模型具有较高预测精度。 关键词：主成分分析；回归系数；支持向量机 forecastmodelof vectormachine Regression support basedon principalcomponentanalysis Ⅵ协NGLei of Technical (Schl00IScience，“栅ingUniversity，t3vdn123000，China) Abstract：Basedon of method，dimensions principalcomponentanalysis samplesa陀reduced，multiple establishedbased of modelis forecastmodelis on regression component，coefficientregression principal confirmed vector the showedthismodelhas forecast byusingsupport machine，fmallyexample higher precision． Keywords：principalanalysis；regression vectormachine component coefficient；support 0 引言 的多维变量。 统计学习理论是(Statisticallearningtheory)是由 设原始变量为t。，t：，…，“进行主成分分析后 得到的主成分(综合变量)为石，，髫：，…，髫。(mP) Wpnik…等人建立的一种专门研究小样本情况下机 vector它们是t，，t：，…，k的线性组合。新变量z。，聋：，…， 器学习规律的理论，支持向量机(Support 石。构成的坐标系是在原坐标系经平移和正交旋转 machines，svM)是在这一理论基础上发展起来的一 种新的分类和回归工具。支持向量机通过结构风险 后得到的，称茗。，石：，…，茗。空间为m维主超平面。在 最小化原理来提高泛化能力。己在模式识别、信号 主超平面上。第一主成分茹．对应于数据变异(贡献率 处理、函数逼近等领域得到了应用[2J。在一些复杂 e1)最大的方向。对石2，石3，…，菇。依次有e2≥…≥e。。 系统预测中，经常涉及到多维数据，但维数高会影响 因此，舅。是携带原始数据信息最