支持向量机平凡解及加权lssvm局域法对混沌时间序列预测.pdfVIP

摘 要 从有限数量的样本来获取潜在的函数依赖关系是统计学习理论的主要目标，许 多重要的学习问题都最后都归于这一目标。它们包括有监督的学习和无监督学习。 在有监督学习的体系中，支持向量机（SVM）是在90 年代末由 Vapnik 等人提出的 一种学习算法。由于基于统计学习理论的结构风险最小化的原则，SVM 能够较好的 兼顾学习误差和推广能力，已被证实是一个非常有效和灵活的学习算法。 就目前对 SVM 的研究来看，主要分为理论研究和应用研究。SVM 解的问题是 理论研究的一个重要方面：这是因为它关系到样本通过SVM 进行学习在样本所属空 间或某个核函数决定的再生核希尔伯特空间能否得到最优分类超平面。如果最优分 类超平面不存在，利用SVM 对样本进行学习是无效的。本文指出了当SVM 的解为 平凡解时，最优分类超平面并不存在。最优分类超平面是否存在与样本分布存在紧 密地联系，本文利用最优化相关理论，详细的探讨它们之间的关系，给出了SVM 的 解为平凡解的充分必要条件和相应几何意义。对于SVM 的应用研究而言，基于SVM 对非线性时间序列建模和预报是一个重要的分支。最近，一些不同类型的SVM，像 最小二乘支持向量机（LSSVM ）、最小二乘支持向量域（LSSVD）、支持向量