通用向量機優(yōu)化理論及其在時間序列預(yù)測中的應(yīng)用研究.pdf_第1頁
已閱讀1頁,還剩122頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、分類號:O211.5密級:研究生學(xué)位論文論文題目(中文)通用向量機優(yōu)化理論及其在時間序列預(yù)測中的應(yīng)用研究論文題目(外文)TheOptimizationofGeneralVectMachineItsApplicationsinTimeSeriesFecasting研究生姓名雍賓賓學(xué)科、專業(yè)計算機科學(xué)與技術(shù)計算機應(yīng)用技術(shù)研究方向神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用學(xué)位級別博士導(dǎo)師姓名、職稱周慶國教授論文工作起止年月2014年9月至2017年10月論文提交日期

2、2017年10月論文答辯日期2017年12月學(xué)位授予日期年月校址:甘肅省蘭州市通用向量機優(yōu)化理論及其在時間序列預(yù)測中的應(yīng)用研究中文摘要預(yù)測廣泛存在于人類的生產(chǎn)活動中,并在很多領(lǐng)域起著至關(guān)重要的作用,因此得到了廣泛研究。人工神經(jīng)網(wǎng)絡(luò)(ANNArtificialNeuralwk),尤其是基于反向傳播算法(BPBackPropagation)和經(jīng)驗風(fēng)險最小化(ERMEmpiricalRiskMinimization)策略的人工神經(jīng)網(wǎng)絡(luò),是目前

3、預(yù)測領(lǐng)域最重要的模型之一。由于具有較強的數(shù)據(jù)特征提取能力,神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到各種預(yù)測問題中,例如時間序列預(yù)測問題。但是,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型通常容易引起過擬合問題,并且預(yù)測結(jié)果受初始權(quán)值、模型結(jié)構(gòu)和隨機性的影響比較嚴(yán)重。因此,許多學(xué)者對神經(jīng)網(wǎng)絡(luò)及其改進(jìn)模型進(jìn)行了大量的研究工作。其中,支持向量機(SVMSupptVectMachine)模型引入了結(jié)構(gòu)風(fēng)險最小化(SRMStructuralRiskMinimization)策略,是一個有著堅

4、實理論基礎(chǔ)的預(yù)測模型,已經(jīng)被證實在小樣本數(shù)據(jù)集上具有良好的預(yù)測效果。但是,在缺少訓(xùn)練樣本的情況下,支持向量機模型的預(yù)測性能可能會受到噪聲支持向量的嚴(yán)重影響。通用向量機模型(GVMGeneralVectMachine)是最近幾年才被提出的基于統(tǒng)計學(xué)習(xí)理論(SLTStatisticalLearningThey)的預(yù)測模型,可以看成是神經(jīng)網(wǎng)絡(luò)和支持向量機模型的混合體。該模型采用蒙特卡羅(MCMonteCarlo)算法進(jìn)行訓(xùn)練,在繼承了神經(jīng)網(wǎng)絡(luò)

5、的經(jīng)驗風(fēng)險最小化策略和支持向量機的結(jié)構(gòu)風(fēng)險最小化策略的同時,引入了設(shè)計風(fēng)險最小化(DRMDesignRiskMinimization)策略和先驗知識理論,具有優(yōu)秀的泛化學(xué)習(xí)能力。雖然通用向量機模型被證明有很多優(yōu)點,但是仍然有諸多問題需要解決。這些問題包括基礎(chǔ)理論的完善、訓(xùn)練速度的提升、模型的優(yōu)化和應(yīng)用領(lǐng)域的推廣等。針對以上問題,本文進(jìn)行了詳細(xì)的研究并取得如下研究成果。(1)基礎(chǔ)理論的完善。本文首先將通用向量機模型定位成支持向量機模型和神

6、經(jīng)網(wǎng)絡(luò)模型的混合模型;然后定義了通用向量機模型的訓(xùn)練步長等概念并給出了步長公式;之后給出了通用向量機模型的具體實現(xiàn)流程以及偽代碼等。(2)通過引入偏導(dǎo)數(shù)信息,本文提出了優(yōu)化通用向量機訓(xùn)練速度的偏導(dǎo)數(shù)蒙特卡羅(DMCDerivativebasedMonteCarlo)算法,并且對DMC算法的性能進(jìn)行了理論探討。DMC算法可以在保證原蒙特卡羅訓(xùn)練算法所需隨機性的前提下,將通用向量機模型的訓(xùn)練速度提升數(shù)倍。本文分別以函數(shù)擬合和電力負(fù)荷預(yù)測為例

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論