支持向量回歸算法及應(yīng)用研究.pdf

1、近些年來，支持向量機(Support Vector Machine，SVM)作為機器學(xué)習(xí)數(shù)據(jù)挖掘的一種新方法，在理論研究和實際應(yīng)用上都有了飛速的發(fā)展，支持向量機以其自身算法的優(yōu)點以及實現(xiàn)的可行性可以成功地處理回歸問題(時間序列分析)和模式識別(分類問題、判別分析)等諸多問題，并可推廣于預(yù)測和綜合評價等領(lǐng)域。 SVM方法最早是針對模式識別問題提出來的，但近些年隨著占不敏感損失函數(shù)的引入，SVM方法已經(jīng)推廣到了非線性系統(tǒng)的回歸估計，

2、并展現(xiàn)出了很好的學(xué)習(xí)性能。 SVM己成為處理回歸問題的最佳方法之一。 序列最小優(yōu)化算法(Sequential Minimal 0ptimization，SMO)的提出有效的解決了支持向量機方法實現(xiàn)復(fù)雜、效率低等問題。特別在處理大數(shù)據(jù)量的實際問題時體現(xiàn)出了較好的精度和運算效率。目前SMO算法已經(jīng)成為支持向量機方法處理大數(shù)據(jù)量實際問題的主流算法。 本文將對支持向量回歸(Support Vector Regression，SV

3、R)的SMO算法做出詳細介紹，并針對參數(shù)選取問題提出一種改進算法。全文共分為五章：第一章簡要論述SVM理論及算法的發(fā)展和研究現(xiàn)狀以及本文所要解決的問題：第二章從線性SVM和非線性SvM兩種情況闡述支持向量分類、回歸理論；第三章介紹原始SMO算法：第四章針對SVR過程中參數(shù)選擇問題提出改進的SMO算法，通過數(shù)值實驗證明改進算法的可行性，與已知方法比較說明改進算法的有效性。在最后一章運用改進算法解決物流配送中心選址決策以及胎兒體重預(yù)測問題，