欢迎来到天天文库
浏览记录
ID:55399908
大小:652.19 KB
页数:5页
时间:2020-05-15
《基于智能最小二乘支持向量机的大数据分析与预测.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第41卷第6期计算机工程2015年6月VO1.41No.6ComputerEngineeringJune2015。先进计算与数据处理·文章编号:1000-3428(2015)06.0038.05文献标识码:A中图分类号:TP391.9基于智能最小二乘支持向量机的大数据分析与预测李雪竹,陈国龙(1.宿州学院信息工程学院,安徽宿州234000;2.中国科学院软件研究所,北京100080)摘要:大数据分析方法能发现数据中存在的关系和规则,预测事物未来的发展趋势,从而提高决策的科学性。针对传统预测方法精度低、泛化性差的问题,提出基于智能支持向量机的大数据分析与预测方法。设计一种新的支持向量机
2、模型参数选择准则,即模型残差概率密度函数逼近给定的高斯分布,并按照该准则采用混沌收缩粒子群优化算法确定模型参数,从而提高数据分类或回归处理的精度与泛化性。采用选矿生产过程现场数据进行实验,结果验证了该方法的有效性,并表明其精度比LSSVM方法更高。关键词:大数据;支持向量机;智能;概率密度函数;粒子群优化算法中文引用格式:李雪竹,陈国龙.基于智能最小二乘支持向量机的大数据分析与预测[J].计算机工程,2015,41(6):38-42.英文引用格式:LiXuezhu,ChenGuolong.BigDataAnalysisandForecastingBasedonIntelligentL
3、eastSquareSupportVectorMachine[J].ComputerEngineering,2015,41(6):38-42.BigDataAnalysisandForecastingBasedonIntelligentLeastSquareSupportVectorMachineLIXuezhu,CHENGuolong'(1.InstituteofInformationEngineering,SuzhouUniversity,Suzhou234000,China2.InstituteofSoftware,ChineseAcademyofSciences,Beijin
4、g100080,China)【Abstract】Itisimportanttostudyonmethodsofbigdataanalysisthatisusedtofindtherelationshipandrulebetweendatatopredictthefuturetrendofthings.ThispaperpresentsabigdataanalysisandforecastingmethodbasedonSupportVectorMachine(SVM)。whichsolvestheproblemthattraditionalpredictionmethodshavel
5、owprecisionandpoorgeneralization.TheProbabilityDensityFunction(PDF)controlbasedmodelparametersselectioncriterionisproposedtomakethemodelingerrortrackatargetGaussianPDF.AcontractParticleSwarmOptimization(PSO)algorithmisadoptedtotunetheparameters.Theproposedmodelingapproachisvalidatedusingtheprac
6、ticaldata,andtheresultsshowitsefficiency.ComparedwithLSSVM,theaccuracyoftheproposedmethodishigher.【Keywords】bigdata;SupportVectorMachine(SVM);intelligent;ProbabilityDensityFunction(PDF);ParticleSwarmOptimization(PSO)algorithmDOI:10.3969/i.issn.1000—3428.2015.06.008析、太阳黑子数、月降水量、河流流量、股票价格变动1概述等众多
7、领域得到应用。随着信息时代的到来,大数据分析已成为各个支持向量机(SupportVectorMachine,SVM)”领域愈来愈重视与依赖的技术手段。大数据分析主是由AT&TBell实验室研究小组提出的一种新的机要包括可视化分析、数据挖掘算法、预测分析以及数器学习技术,它建立在统计学习理论和结构风险最据质量管理4个方面。其中,从大量数据中提取人小化原则的基础上,具有非常出色的数据分类与们事先不知道的潜在有用信息从而预测事物未来的回归处理能力。文献[6]提出
此文档下载收益归作者所有