基于支持向量機(jī)和覆蓋算法的經(jīng)濟(jì)預(yù)警模型.pdf

1、經(jīng)濟(jì)預(yù)警是經(jīng)濟(jì)學(xué)中的重要研究領(lǐng)域,國(guó)內(nèi)外實(shí)際應(yīng)用的預(yù)警方法很多,但大部分是依賴于專家經(jīng)驗(yàn)或統(tǒng)計(jì)模型,難以真實(shí)反映經(jīng)濟(jì)系統(tǒng)的非線性本質(zhì)。本論文的研究工作主要是安徽近十年的經(jīng)濟(jì)數(shù)據(jù),利用粗糙集的知識(shí)對(duì)指標(biāo)進(jìn)行選擇,然后利用泛化性能好、能夠很好的解決非線性問(wèn)題的支持向量機(jī)對(duì)約簡(jiǎn)后的指標(biāo)建立預(yù)測(cè)模型,對(duì)未來(lái)一年的數(shù)據(jù)進(jìn)行預(yù)測(cè),并用基于覆蓋的構(gòu)造性神經(jīng)網(wǎng)絡(luò)模型建立警情識(shí)別模型,從而提出了一種基于支持向量機(jī)和覆蓋算法的經(jīng)濟(jì)預(yù)警模型,為動(dòng)態(tài)經(jīng)濟(jì)預(yù)警提

2、供了新途徑。
　　具體的研究工作如下:
　　1.介紹了粗糙集理論的基本知識(shí)和知識(shí)約簡(jiǎn)方法,我們利用粗糙集理論在保持知識(shí)可靠度不變的前提下,通過(guò)屬性約簡(jiǎn),刪除一些冗余屬性,對(duì)預(yù)警指標(biāo)體系進(jìn)行選擇,降低數(shù)據(jù)維數(shù),使得以后的支持向量回歸和覆蓋算法的參數(shù)訓(xùn)練和學(xué)習(xí)負(fù)擔(dān)大大降低了,從而提高了整個(gè)網(wǎng)絡(luò)的運(yùn)行效率。
　　2.由于經(jīng)濟(jì)數(shù)據(jù)波動(dòng)大,有著非線性和不確定性特點(diǎn),一般的線性回歸很難準(zhǔn)確的預(yù)測(cè)經(jīng)濟(jì),即使有些工作者對(duì)線性模型進(jìn)行修

3、正,如:建立分段線性模型和變參數(shù)線性模型等,結(jié)果仍然不理想。支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力尋求最佳折衷,以期獲得最好的推廣能力。本文正是利用支持向量機(jī)泛化性能好,解決非線性問(wèn)題好等優(yōu)點(diǎn),根據(jù)安徽近十年的經(jīng)濟(jì)發(fā)展的實(shí)際數(shù)據(jù),建立了基于支持向量回歸的各指標(biāo)預(yù)測(cè)模型,對(duì)安徽經(jīng)濟(jì)指標(biāo)進(jìn)行預(yù)測(cè),得到了很好的預(yù)測(cè)結(jié)果。
　　3.介紹了覆蓋算法背景,幾何意義以及交

4、叉覆蓋和領(lǐng)域覆蓋算法,由于覆蓋算法克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)結(jié)構(gòu)難以確定,運(yùn)行速度慢,局部極小等問(wèn)題,很好的解決了大量數(shù)據(jù)分類處理問(wèn)題。利用構(gòu)造性覆蓋算法和1998年到2006年安徽經(jīng)濟(jì)運(yùn)行的月度數(shù)據(jù)建立經(jīng)濟(jì)運(yùn)行警情判別模型。
　　4.利用所建立的模型,對(duì)2007年安徽經(jīng)濟(jì)月度運(yùn)行進(jìn)行實(shí)證分析,結(jié)果顯示本文所建立的預(yù)警模型具有較高的運(yùn)行速度和精度。并對(duì)2008年的經(jīng)濟(jì)運(yùn)行趨勢(shì)進(jìn)行預(yù)測(cè),預(yù)警,預(yù)警結(jié)果表明安徽未來(lái)半年的經(jīng)濟(jì)綜合指數(shù)都趨