智能優(yōu)化支持向量機(jī)預(yù)測算法及應(yīng)用研究.pdf

1、機(jī)器學(xué)習(xí)是人工智能領(lǐng)域非常前沿的、極具智能特征的研究方向之一。支持向量機(jī)(Support Vector Machine,SVM)是由VladimirNaumovichVapnik等學(xué)者于1992年提出的一類新型機(jī)器學(xué)習(xí)方法，該方法以統(tǒng)計(jì)學(xué)習(xí)理論為理論體系，通過尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化實(shí)現(xiàn)學(xué)習(xí)的真實(shí)風(fēng)險(xiǎn)最小化，追求在有限信息條件下得到最佳的學(xué)習(xí)效果，具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強(qiáng)等優(yōu)點(diǎn)。在20世紀(jì)90年代中后期得到了全面深入的發(fā)展，在人臉檢

2、測、語音識別、圖像處理、文本分類、郵件過濾等方面取得了大量的研究成果，成為繼人工神經(jīng)網(wǎng)絡(luò)之后機(jī)器學(xué)習(xí)領(lǐng)域的又一研究熱點(diǎn)。
　　支持向量機(jī)集成了最大間隔超平面、Mercer核、凸二次規(guī)劃、稀疏解和松弛變量等多項(xiàng)技術(shù)，是機(jī)器學(xué)習(xí)領(lǐng)域多項(xiàng)標(biāo)準(zhǔn)技術(shù)的整合和提高，在許多極具挑戰(zhàn)性的應(yīng)用中獲得了很好的效果。
　　但是，作為一類新興的革命性的方法，支持向量機(jī)還需要進(jìn)一步研究模型選擇、參數(shù)優(yōu)化、大樣本快速訓(xùn)練、以及多類分類等問題。
　

3、　本文將支持向量機(jī)的理論、方法和應(yīng)用三者相結(jié)合，深入研究支持向量機(jī)模型選擇、參數(shù)優(yōu)化、快速訓(xùn)練等問題，提出了三種新的支持向量機(jī)預(yù)測算法。本文的主要工作和貢獻(xiàn)如下：
　　1.提出基于混沌時(shí)間序列的粒子群優(yōu)化支持向量機(jī)預(yù)測算法(CP-SVM)。
　　傳統(tǒng)時(shí)間序列預(yù)測方法通常需要對時(shí)間序列的特性進(jìn)行簡化，加入了時(shí)間序列線性及平穩(wěn)性的假定，然而這一假定與實(shí)際獲得的時(shí)間序列差別很大，導(dǎo)致了傳統(tǒng)時(shí)間序列預(yù)測方法實(shí)際應(yīng)用效果不佳。人工神經(jīng)

4、網(wǎng)絡(luò)預(yù)測方法雖然能夠在一定程度上進(jìn)行非線性時(shí)間序列預(yù)測，但不能解決應(yīng)用上的“過學(xué)習(xí)”及局部極小值等問題。本文分析了經(jīng)典時(shí)間序列分析方法的不足，并且在研究時(shí)間序列混沌特性的基礎(chǔ)上，提出了基于混沌時(shí)間序列的粒子群優(yōu)化支持向量機(jī)預(yù)測算法(CP-SVM)，該算法的創(chuàng)新點(diǎn)在于：結(jié)合時(shí)間序列的混沌特性，針對預(yù)測模型系數(shù)的時(shí)變特性，采用粒子群算法對模型參數(shù)進(jìn)行尋優(yōu)，得到最佳的模型參數(shù)，以達(dá)到提高預(yù)測精度的目的。本文采用該算法對電力負(fù)荷這類復(fù)雜的非線性

5、非平穩(wěn)時(shí)間序列進(jìn)行短期預(yù)測，提高了預(yù)測精度。
　　2.提出基于核主成分分析的量子行為粒子群優(yōu)化支持向量機(jī)預(yù)測算法(KQP-SVM)。
　　CP-SVM預(yù)測算法可以得到較高的預(yù)測精度，但預(yù)測速度較慢。為了提高預(yù)測速度，本文提出了基于核主成分分析的量子行為粒子群優(yōu)化支持向量機(jī)預(yù)測算法(KQP-SVM)。KQP-SVM算法的創(chuàng)新點(diǎn)在于：在研究時(shí)間序列混沌特性的基礎(chǔ)上確定合理的延遲時(shí)間和嵌入維數(shù)，采用核主成分分析方法提取非線性時(shí)間序

6、列的特征，并采用量子行為粒子群算法優(yōu)化支持向量機(jī)核函數(shù)的參數(shù)。本文將KQP-SVM算法應(yīng)用于電力負(fù)荷短期預(yù)測，結(jié)果表明，該算法在保證預(yù)測精度的前提下，明顯地提高了預(yù)測速度。
　　3.提出改進(jìn)序列最小優(yōu)化算法訓(xùn)練樣本的小波核最小二乘支持向量機(jī)預(yù)測算法(SWLS-SVM)。
　　SWLS-SVM算法的創(chuàng)新點(diǎn)如下：
　　(1)對于更加復(fù)雜的時(shí)間序列，充分發(fā)掘小波分析提取信號高頻細(xì)節(jié)特征方面的優(yōu)勢，構(gòu)造小波核最小二乘支持向量機(jī)