灰色支持向量机在小样本预测中的应用研究

发布时间：2020-06-10 13:07

【摘要】： 灰色系统理论的研究对象是“部分信息已知,部分信息未知”的“小样本”、“贫”信息不确定系统,它通过对“部分”已知信息的生成、开发了解、认识现实世界,实现对系统运行行为演化规律的正确把握和描述。灰色动态建模是灰色系统理论的核心,也是灰色系统理论与世界相结合的桥梁。支持向量机是建立在统计学习理论的VC维理论和结构风险最小化原则基础上的新型机器学习方法.它根据有限样本信息在模型的复杂度和期望风险之间寻求最佳折衷,能够获得更好的泛化性能。与传统的神经网络等学习方法相比,支持向量机具有泛化能力强、维数不敏感、收敛到全局最优等优点,很好地决了前者容易出现的过学习、局部极值、维数灾难等棘手问题。论文主要研究工作包括以下3个方面: 1.针对灰色关联因子分析和支持向量机的分类机理,提出了一种混合算法。用灰色关联分析方法作为属性预处理器,依据属性关联度改变每个属性的权重,然后基于支持向量机进行回归建模和预测,并通过实例证明该模型的有效性。 2.阐述预测技术中灰色预测模型GM(1,1),通过分析其建模机制找出影响模型精度的各种因素(背景值、初值、光滑度),并针对各种影响因素分别提出背景值预测模型(BGM模型)、初值预测模型(IGM模型)、光滑度预测模型(SGM模型),最后分别通过实例证明其有效性。 3.将背景值预测模型(BGM模型)、初值预测模型(IGM模型)、光滑度预测模型(SGM模型)的预测数据作为输入因子,实际数据作为输出因子,然后基于支持向量机进行回归建模和预测,并通过实例证明该模型的有效性。
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：N941.5

【引证文献】