小波支持向量機在數(shù)據(jù)建模中的研究及應用.pdf

1、支持向量機(SVM)是一種新的數(shù)據(jù)建模方法，它基于統(tǒng)計學習理論，具有堅實的數(shù)學理論基礎和嚴格的理論分析，具有理論完備、全局優(yōu)化、適應性強、推廣能力好等優(yōu)點，是機器學習中的一種新方法和研究新熱點。它運用結(jié)構(gòu)風險最小化原則，綜合了統(tǒng)計學習、神經(jīng)網(wǎng)絡等方面技術，在最小化經(jīng)驗風險的同時，有效地提高了算法泛化能力。 以往大部分研究主要集中在支持向量機分類理論和應用上，近年來關于支持向量機回歸的研究也顯示出其優(yōu)異的性能。作為一個新的理論和方

2、法，支持向量機回歸在訓練算法和實際應用等方面有諸多值得深入探討的課題。 本論文就以上主要內(nèi)容進行了深入的研究并取得了以下結(jié)果： 1.研究支持向量核函數(shù)條件的基礎上，構(gòu)造了一種基于小波核函數(shù)的小波支持向量機。分析了算法的收斂性、通用性和泛化能力。該算法擴充較為容易，實驗結(jié)果表明小波支持向量機算法具有比較理想的函數(shù)逼近能力。 2.研究了KPCA支持向量機算法。借鑒核函數(shù)思想，提出了一種基于核主元分析和小波最小二乘支持

3、向量機的數(shù)據(jù)建模方法，用核主元分析對輸入變量進行數(shù)據(jù)壓縮，消除變量之間的相關性，通過交叉驗證的方法對支持向量機進行參數(shù)選擇。將其用于雙酚A(BPA)數(shù)據(jù)建模的結(jié)果表明：該方法具有學習速度快、泛化能力強等優(yōu)點。 3.針對SVM參數(shù)(核參數(shù)、懲罰因子)模型推廣能力影響較大，而目前又無解析方法指導小波SVM參數(shù)選取的問題，本文提出了一種基于量子粒子群優(yōu)化(QPSO)算法的小波SVM參數(shù)選擇方法。該方法將SVM參數(shù)集當作粒子群，以最小化