资源描述：
《基于遗传算法支持向量机时间序列预测模型优化.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、第27卷第9期仪器仪表学报Vol127No192006年9月ChineseJournalofScientificInstrumentSep120063基于遗传算法的支持向量机时间序列预测模型优化陈果(南京航空航天大学民航学院南京210016)摘要建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。本文运用支持向量机建立时间序列预测模型,研究影响模型预测精度的相关参数,在分析参数对时间序列预测精度的影响基础上,提出用遗传算法建立支持
2、向量机预测模型的参数自适应优化算法。最后,用算例表明了本文算法的正确性和有效性。关键词支持向量机时间序列分析预测遗传算法优化中图分类号O329F201文献标识码A国家标准学科分类代码110.6760OptimizingofsupportvectormachinetimeseriesforecastingmodelparametersbasedongeneticalgorithmsChenGuo(CivilAviationCollege,NanjingUniversityofAeronauticsandAstronautics,
3、Nanjing210016,China)AbstractSupportVectorMachine(SVM)isbasedonStatisticalLearningTheory(SLT)andStructuralRiskMinimizationPrinciple(SRM),andtheoreticallyassuresbestmodelgeneralization.Therefore,itismoreper2fectintheorythanArtificialNeuralNetwork(ANN)thatisbasedonEmpi
4、ricalRiskMinimizationPrinciple(ERM).Inthispaper,SVMisusedtoestablishtimeseriesforecastingmodel,studytheparametersthatinflu2enceforecastingaccuracy.Onthebasisofanalyzingmodelparameters'influence,aself2adaptiveoptimizingal2gorithmforestablishingthemodelparametersbased
5、ongeneticalgorithmisputforward.Intheend,examplesshowingthecorrectnessandvalidityoftheproposedalgorithmaregiven.Keywordssupportvectormachine(SVM)timeseriesanalysisforecastinggeneticalgorithmoptimizing习的不确定性和泛化能力不能保证等问题,导致了神经[4]1引言网络的结构设计困难等问题。与建立在经验风险最小原则基础上的神经网络模型相比
6、,由V.Vapnik创立的支[4]时间序列分析是系统辨识和建模的有效工具,在系持向量机建立在统计学习理论和结构风险最小的基础统和系统的输入均未知的情况下,通过对系统输出的时上,在理论上充分保证了模型的泛化能力,目前已经广泛[526]间序列进行分析和建模,并在此基础上实现时间序列的运用于时间序列分析和预测。外推预测。通常的时间序列分析方法是基于线性模型和但是,用于时间序列预测的支持向量机模型,本身也[1]平稳时间序列的ARMA(n,m)法,由于通常模型均具有许多参数要进行选择,比如嵌入维数、损失函数参数ε,有不同程度的非线性特征
7、,特别是复杂系统,其非线性特惩罚因子C以及核函数的相关参数等。这些参数在一定征更为突出,因此ARMA模型往往失效。由于神经网络程度上对预测精度具有很大影响,且目前尚无统一选择能拟合任意的非线性函数并具有一定的泛化能力,因此标准。本文建立支持向量机的时间序列预测模型,在进[223]目前被广泛运用于时间序列预测。但是,神经网络学行参数影响研究基础上,构造基于遗传算法的模型参数3本文于2005年7月收到。第9期陈果:基于遗传算法的支持向量机时间序列预测模型优化1081自适应优化算法。当引入ε-不敏感函数时,式(3)可写为:n11Q(
8、w)=(w·w)+C∑
9、yi-f(xi)
10、ε(5)2时间序列预测原理2ni=1显然,当
11、yi-(w·xi)-b
12、≤ε(i=1,2,⋯,n)时,即[7]所有样本均落在由f(x)+ε和f(x)-ε组成的带状区域混沌理论是研究非线性系统动力行为的新方法,内,如图1所示时,优化问题就
