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),請進行舉報或認領(lǐng)
文檔簡介
1、江南大學(xué)碩士學(xué)位論文基于支持向量機的非線性時間序列預(yù)測方法研究姓名:王洪波申請學(xué)位級別:碩士專業(yè):檢測技術(shù)與自動化裝置指導(dǎo)教師:崔寶同朱啟兵20080601AbstractAbstractAsthemaintechniqueofthequantitativeforecast,themethodoftimeseriespredictionisusedalmostinallfieldsofforecastThetraditionalmeth
2、odsoftimeseriespredictionmainlyfocusonlineartimeseriesandweaknonlineartimeseries,SOtheylackeffectivenesswhentheyfacecomplexnonlineartimeseries(evenchaostimeseries)SupportVectorMachine(SVM)isakindofnovelmachinelearningmet
3、hods,theoreticallybasedonstatisticlearningtheoryItemploysthecriteriaofstructuralriskminimizationandprovidesaframeworkforthesmallsamples,nonlinearityandhighdimensionproblemsSVMhasbeenappliedinnonlineartimesedespredictioni
4、nrecentyearsFocusingonraisingaccuracyofSVMpredictionmodel,thispaperstudiesnoise—reduction,nonstationaryprocessingandmodelparametersoptimizationofnonlineartimeseriesAlthougllwidelyappliedinnonlineartimeseriesanalysis,then
5、oisereductionmethodvialocalprojectionhasthesubjectivityofselectingtheneighborhood,whichgreatlyaffectstheperformanceAnewmethodbylocalprojectionusingadaptiveneighborhoodselectionisstudiedFirst,onedimensionaltimeseriesareem
6、beddedintoahi曲dimensionalphasespaceaccordingtotime—delaytheoryTheneighborhoodsizeforeachcandidatephasepointinphasespaceisincreasedbyaddingneighboringpointonebyoneTheoptimalneighborhoodsizeforthephasepointisdeterminedduri
7、ngthedirection’Svariationofthemostsignificanteigenvectorofneighborhoodassizeincreasing,andthenthenoiseiseliminatedthroughlocalgeometricprojectionExperimentresultsshowthatadaptiveneighborhoodselectioncanimprovethenoisered
8、uctionperformanceoflocalprojectionmethodNon。stationarytimeserieshasperiodicityandrandomnessSOthatitisdifficulttoconstructthemodelofaccurateforecastwithsinglemethodAhybridforecastingmethodbasedonEmpiricalModeDecomposition
9、(EMD)andLeastSquareSupportVectorMachine(LSSVM)ispresentedinthispaperFirstlythenon—stationarytimeseriesisadaptivelydecomposedintoaseriesofstationaryintrinsicmodefunctions(IM聊indifferentscalespaceusingEMDThentherightparame
10、terandkernelfunctionsarechosentobuilddifferentLSSVMrespectivelytoeveryIMEFinallytheseforecastingresultsofeachIMFarecombinedtoobtainfinalforecastingresultThismethodissuccessfullyappliedtononstationarytrendpredictionofmech
11、anicalvibrationPhasespacereconstructionandSVMparametersoptimizationaretwoimportantaspectsforimprovingpredictionperformanceandaresolvedseparatelytraditionallyThispaperproposesajointoptimizationalgorithmbasedonHybridPSOThi
12、smethodcombinesthediscretePSOwiththecontinuousvaluedPSOtosimultaneouslyoptimizethephasespacereconstructionandtheSVMparameterssettingTheexperimentalresultsshowedtheproposedapproachcanraisepredictionaccuracyKeywords:Nonlin
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)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當內(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。
最新文檔
- 基于支持向量機的非線性時間序列預(yù)測方法研究.pdf
- 基于v支持向量機的非線性時間序列預(yù)測.pdf
- 支持向量機方法在非線性時間序列預(yù)測中的應(yīng)用.pdf
- 基于支持向量機的金融時間序列預(yù)測及非線性協(xié)整研究.pdf
- 基于支持向量機的混沌時間序列預(yù)測方法的研究.pdf
- 基于支持向量機的時間序列預(yù)測.pdf
- 基于支持向量機的時間序列預(yù)測研究.pdf
- 基于支持向量機的股指時間序列預(yù)測.pdf
- 基于支持向量機的債券時間序列預(yù)測研究.pdf
- 基于支持向量機的金融時間序列預(yù)測.pdf
- 48175.基于支持向量機方法的非平穩(wěn)時間序列預(yù)測研究
- 基于支持向量機的混沌時間序列預(yù)測.pdf
- 基于支持向量機的風(fēng)速時間序列預(yù)測研究.pdf
- 基于減聚類和最小二乘支持向量機的非線性時間序列預(yù)測.pdf
- 基于支持向量機的非線性預(yù)測控制研究.pdf
- 基于支持向量機的混沌序列預(yù)測方法研究.pdf
- 基于支持向量機的巖土非線性變形行為預(yù)測研究.pdf
- 基于支持向量機建模的非線性預(yù)測控制研究.pdf
- 基于支持向量機的金融時間序列分析預(yù)測算法研究.pdf
- 基于支持向量機的金融時間序列研究.pdf
評論
0/150
提交評論