基于支持向量回归机的综合评价方法研究.pdfVIP

维普资讯 2007年第 1期 科技管理研究 2007N0．1 ScienceandTechnologyMnaagementResearch ’ 文章编号：1000—7695 (2007)O1—0255一o4 基于支持向量回归机的综合评价方法研究 夏国恩，金炜东，张葛祥 (西南交通大学，四川成都 610031) 摘要：应用支持向量回归机，研究综合评价排序问题，并以企业 自我实现能力综合评价为例子 ，与人工神经网 络 (ANN)方法进行对比研究，发现基于支持向量回归机综合评价的训练排序与专家排序保持一致，且测试结 果的相对误差明显小于ANN。表明，基于支持向量回归机的方法能更好的反映评价问题的序结构，是一种研究 综合排序评价问题的有效方法。 关键词：支持向量回归机；综合评价 ；人工神经网络；企业 自我实现能力 中图分类号：C934 文献标识码：A 1 引言 一 f(x,w：{；。Y，．。，其 综合评价方法是把描述被评价事物不同方面且量纲不 中W为待定的常数。映射函数，可以用以下方法确定：若 同的统计指标转化成相对评价值 ，并综合这些评价值得出 这些样本点呈线性关系，则回归函数为： 对该事物的整体评价的方法…。近年来，为了克服综合评 ，() =W ·+b 价中存在的指标确定主观随意性较大 、准确度较低且无法 但由于大多数情况样本点呈非线性关系，采用支持向 进行大规模评价等缺点 ，人们提 出了基于人工神经 网络 量机解决方法为：将每一个样本点用一个非线性函数 映 (ArtificialNeuralNetwork，ANN)的综合评价方法 。J。然 射到高维特征空间，再在高维特征空间进行线性回归，从 而，人工神经网络算法训练速度慢 ，学习过程误差极易收 而取得在原空间非线性 回归的效果 ．应用该方法此时函数 敛于局部极小点，很难保证学习精度。另外，这种方法只 变为：，()：W · ()+b，优化问题是最小化：R(W，， 能保证在有限样本的情况下经验风险最小，无法实现期望 ’)=— ·W+c乏(邑+邑’)，约束惫件为： 风险最小，网络的泛化能力差，不能保证训练后 的网络对 训练集外的样本有好的应用效果。 ，()‘一Yi≤ +8，=1，2，…，k；y一，()-6+‘8，il，2， 笔者在借鉴文献 中利用支持向量二值分类机进行综 … ，；￡， O，+1，2，…，k上面问题为一个凸二次优化问 合二值分类评价的基础上，针对人工神经网络综合评价中 题，下面引入Lagrange函数 ． 面临的困难 ，利用支持 向量 回归机原理 ，通过在 回归机中 x L(W，6，， ，口，口，r，r)=÷t口·W+c (+ )一 ： 定义损失函数，建立了用于综合排序评价的综合得分函数， 并应用于企业自我实现能力 的综合评价中。文章的第二 ． 口[+8一yj+，()]一互口’[+8+Yi-f()]一互(