支持向量机集成研究及其在时间序列预测中的应用.pdf

《支持向量机集成研究及其在时间序列预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、代号10701学号0812120984分类号TP181密级公开题(中、英文)目支持向量机集成研究及其在时间序列预测中的应用SVMEnsembleanditsApplicationsonTimeSeriesPrediction作者姓名冯骁指导教师姓名、职务张莉副教授学科门类工学学科、专业模式识别与智能系统提交论文日期二○一一年六月独创性(或创新性)声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科

2、技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切相关责任。本人签名：日期关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后，发表的论文与本论文工作成果有关时署名单位仍然为西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保

3、存论文。(保密的论文在解密后遵守此规定)本人授权西安电子科技大学图书馆保存学位论文，并同意将论文在互联网上发布。本人签名：日期导师签名：日期摘要I摘要混沌理论自提出到现在受到了越来越多的关注，其应用技术的研究也不断深入。混沌时间序列预测作为重要组成部分已经成为研究热点，解决了军事、经济、气象等领域的诸多问题。基于统计学习理论提出的支持向量机算法，具有全局优化、鲁棒性好、推广能力强等优点，在分类和回归领域所体现出的良好性能，已经超过传统机器学习算法。已经有一些学者将支持向量机用于混沌时间序列预测。本文结合混沌理论、支持向量机算法，研究基于支持向量

4、机集成的混沌时间序列预测方法，通过实验表明所提出的方法能有效用于混沌时间序列预测。本文主要做了如下工作。提出了一种选择性线性加权组合策略。该策略在求解加权系数时，可归结为一个凸优化问题，此凸优化问题与压缩感知中稀疏信号重构问题是一致的。因此，我们可以采用了目前较为流行的稀疏信号重构方法来求解这一优化问题。在上面策略的基础上，我们构建了基于同构和异构支持向量机的集成算法。集成算法的多样性由Bagging采样，随机选择的支持向量机算法、随机选择的支持向量机模型参数来保证。多学习机的融合用了选择性加权的方式，以期有更快的测试速度和更好的性能。最后将提

5、出的集成策略应用于混沌序列预测问题中。在预测问题的结果表明，该模型甚至是在非最优嵌入维数情况下，也可以较为精确的预测混沌时间序列。关键字：混沌时间序列回归预测支持向量机集成策略AbstractIIIAbstractMoreandmoreattentionhasbeenpaidtochaotictheorysinceitwasproposed.Thereisagrowingfurtherresearchonitsapplications.Asanimportantpartofchaotictheoryapplication,chaotictime

6、seriespredictionbecomesahotresearchissue.Manyproblemsinthefieldsofmilitary,economyandmeteorologyhavebeensolvedbasedonchaotictimeseries.Supportvectormachines(SVMs)whichareproposedbasedonstatisticallearningtheoryhavetheadvantagesofglobaloptimization,goodrobustnessandgeneraliza

7、tionperformance.SVMsexceedsconventionalmachinelearningalgorithminclassificationandregressionestimation.SomeresearchershavealreadyappliedSVMonchaotictimeseriesforecasting.CombiningchaotictheorywithSVM,weinvestigatethechaotictimeseriesforecastingmethodbasedonSVMensembleapproac

8、h.Themainworkofthisthesisisdescribedasfollows.Aselectivelinearlyweightedrul