基于matlab的svr回归模型的设计与实现本科论文.doc

《基于matlab的svr回归模型的设计与实现本科论文.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于MATLAB的SVR回归模型的设计与实现TheDesignandImplementationofSVRRegressionModelBasedonMATLAB学生姓名：王新蕾学生学号：10780232专业名称：电子信息科学与技术指导教师：张艳（讲师）计算机与信息工程学院2014年6月10日独创性声明本人声明所呈交的毕业论文是本人在指导教师指导下进行的研究工作和取得的研究成果，除了文中特别加以引用标注之处外，论文中不包含其他人已经发表或撰写过的研究成果，没有伪造数据的行为。毕业论文作者签名：签字日期：毕业论文版权使用授权书本毕业论文作者完全了解学校有关保留、使用论文的规

2、定。同意学校保留并向有关管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权天津城建大学可以将本论文的全部或部分内容编入有关数据进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本论文。（保密的毕业论文在解密后适用本授权说明）毕业论文作者签名：指导教师签名：签字日期：签字日期：摘要支持向量机是根据统计学习理论提出的一种新的学习方法，近年来受到了国内外学术界的广泛重视，并已在模式识别和函数估计中得到广泛应用。支持向量机理论的最大特点是由有限的训练集样本得到的小的误差保证对独立的测试集仍保持小的误差。从而通过支持向量机(SVM)理论,可以建立支持向量回归

3、(SVR)预测模型，以解决各种实际问题。　　SVR算法是模式识别中应用比较广泛的算法模型之一，它是支持向量机在函数逼近和回归估计中的应用。在SVR回归分析中，使用支持向量机可以使回归函数尽量平滑，其泛化能力强。　　本文论述了支持向量回归的基本原理和思想，介绍了支持向量回归算法以及所用到的几种常见的核函数（即线性内核、多项式内核、径向基函数内核、高斯内核）。本设计主要实现的功能有：数据集的创建、内核函数的选取、参数的设置、训练集的回归、数据集的保存与打开。通过不同核函数的选取以及相应参数的设置对输入数据集进行回归。此模型主要解决非线性回归模型的预测。通过实验改变各个参数的不

4、同取值对训练集进行回归，并分别统计出支持向量的个数，回归性能，程序运行时间。最后对回归的结果进行分析，得出各参数对回归性能的影响。关键词：支持向量回归;训练算法;核函数;线性判别ABSTRACTSupportvectormachine(SVM)isanewmethodofstudybasedonstatisticallearningtheorywhichhasattractedextensiveattentionsbyacademiccirclesbothathomeandabroadinrecentyears.Ithasbeenwidelyusedinpatternre

5、cognitionandfunctionestimation.Thebiggestcharacteristicofsupportvectormachine(SVM)theoryisthatasmallerrorlimitedbythetrainingsetofsamplecanensuretheindependenttestset’ssmallerror.Thusasupportvectorregression(SVR)forecastingmodelcanbebuiltbysupportvectormachine(SVM)theoryanditcansolvevario

6、uspracticalproblems.SVRalgorithmmodelisoneofpatternrecognitionalgorithm,whichismorewidelyusedinapproximationoffunctionandtheapplicationoftheregressionestimate.IntheSVRregressionanalysis,usingsupportvectormachine(SVM)cansmoothregressionfunctionasfaraspossible.Itsgeneralizationabilityisstro

7、ng.Thispaperdiscussesthebasicprincipleofsupportvectorregressionandintroducessupportvectorregressionalgorithmandseveralcommonkernelfunctions(thelinearkernel,polynomialkernelandradialbasisfunction(RBF)kernel,theGaussiankerneletc.).Thisessaysuccessfullymakesthesefuncti