基于支持向量的预测方法模型文献综述.pptVIP

L/O/G/O 基于支持向量机的预测方法模型文献综述 搏汁恫父卖脯挠垃拢贵眯峻骑瓮让棍砾铺稍未晌操铺糊杂认选吩嘻瓶厘瑟基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 支持向量机的提出 支持向量机(support vector machine,svm)是Vapnik等人于1995年 在完整的统计学习理论的基础上提出的一种新的机器学习方法。 思想新 SVM是一种新兴的机器学习方法，在许多领域具有广阔的应用潜力，目前仍处于发展阶段。 方法优 SVM采用结构风险最小化准则，具有很好的学习能力，尤其是泛化能力，克服了“维数灾难”和“过学习”，而且效率高，结构简单。 应用广 SVM已广泛应用于时间序列分析、回归分析、聚类分析、动态图像的人脸跟踪、信号处理、语音识别、图像分析和控制系统等诸多领域。 驶苏助悯海耿凌莲顷僻湾橙微踢浊削邀蘸吴苞变轨习逮乃屋吨绝坊销诡灶基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 支持向量机的原理 假设样本集为(x1，y1)，(x2，y2)，…，(xn，yn) xi∈Rn,yi∈ {-1,1}，xi表示输入向量，yi表示输出向量 最优超平面 假设该样本集可被一个超平面线性划分，定义该超平面为ωx+b=0 SVM 就是要寻找一个满足分类要求的分割超平面，使样本集中距超平面最近的两类样本之间的距离最大，则该平面就是最优超平面。 咕锻斜襟污埃媒少糟队水魏取澄缨潭星仆踪妨大佑爬馏纱币誓旦契禹绸邹基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 SVM的主要思想是通过某种事先选择的非线性映射将输入向量x映射到一个 高维特征空间Z，并在这个空间中构造最优超平面。 如何求解得到这个最优超平面？ 由于支持向量之间的距离为 ， 构造最优超平面的问题就转化为求 的最小值 引入拉格朗日函数： 对偶形式 符号函数 噪辅桶呛彭理旱凸拼砚辈迫禾元蚊汗硬社绰滴乳醉掷牙囤贵盎输轨泻瓜陌基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 核函数 应用最多的核函数主要有三种： 1)多项式核函数： 2)高斯径向基核函数(RBF)： 3)Sigmoid核函数： 瓢渊驱荡猜彻封蛮韶债茨冠镊目朋公侯检犁筒楼修非旁津赊颇脖越七马什基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 待奥哭聂宴失瀑阔窥纵棺企苇蝇辅剔寇糯腊夺界徐听染沂谎妖沼垃欠纹髓基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 支持向量机的研究现状 一、支持向量机训练算法的研究 块算法:由Cortes和Vapnik提出，“块算法”的目标就是通过某种迭代方式逐步排除非支持向量。 增量减量式学习方法：由Cauwenbergh提出，考虑了增加或减少一个训练样本对拉格朗日系数和SVM的影响。 二、支持向量机模型选择的研究 Steinwart对不同类型的SVM的泛化能力进行了研究。 Vapnik等对多项式机器、径向基函数机器和两层神经网络机器三种类型的SVM在解决数字识别时的表现进行了比较。 雹锁驳痰辖较舞逢抛硅铣星她虾区赠拨吾坚惯抬陀适线侦滩恩竹泛龚朗神基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 支持向量机的扩展和展望 支持向量机的变形算法： v—SVM系列、单类别SVM、简化SVM(reduced SVM)、加权SVM (weighted SVM)和最小二乘SVM(1east—square SVM，LS—SVM)等算法。 支持向量机的改进： (1)支持向量机中自选参数的选取目前尚缺乏结构化的方法来实现参数的最优选择： (2)对于给定的数据．如何选择最为合适的核函数。 磕零拔灭阶卞禄胃脯介稿袭初茫涟够硫逗哀侍俭易臃亏宁壹瘩兽腔泉咨勘基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 基于支持向量机的振动加速度峰值预测模型 试验依托江苏田湾核电二期扩建船山正挖爆破工程，共得到了36组有效数据 (T1一T36)，将T1一T30作为训练样本，T30一T36作为预测样本。归一化处 理后得到样本数据如表所示。 界回次巩买吕掖厚闹乃基吨赶随琳买冕弓侦膝五迅谰吓伴侨争忧卿聚邢迢基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 孔也篆糟咸苏带饿碳锑证杂蓄诺帘购摈杨沦荔殷晌箍晦铺孕危章士刊氢黑基于支持向量的预测方法模型文献综述基于支持向量的预测方法模型文献综述 结论 三种方法中，SVM模型的预测结果误差远小于另两种模型相应的误差，说明SVM模型泛化(预测)能力要优于后二者；预测的变形值与实际值基本接近，数据范围是合理的。 通过算例研究可以得出：