灰色模型与支持向量机融合的研究

发布时间：2020-05-11 14:16

【摘要】： 为了促进经济快速发展和社会不断的进步,在现有的统计数据资料基础上为各种商业和科研等活动做出决策分析,研究并认识事物内在的变化规律,对事物的未来发展进行预测已经成为机器学习领域新的研究热点。随着预测对象越来越复杂,精度要求的越来越高,单一的预模型始终存在着一定的盲区,已经不能满足人们的需要,于是自然想到对两种或多种预测模型进行结合,在预测过程中弥补其各自的缺点,实现优势互补,达到更高的预测精度。 本论文首先详细介绍了灰色理论和支持向量机各自理论的研究现状和建模机理,然后针对灰色预测模型与支持向量机模型两者的联系与各自的优势,给出了以下两种融合的可能性和方式,并验证了融合后的预测模型具有更高的预测精度： 第一,将灰色模型与支持向量机模型通过最优权组合。其核心思想是：首先利用GM(1,1)模型和支持向量机模型分别对数据进行预测,这样得到两组预测值,然后均方差最小的前提下,寻找最优组合权值将两组预测值组合起来,将组合得到的预测值作为最终的预测值,从而达到提高预测精度的目的。 第二,给出了基于灰色关联度分析方法的两种支持向量机预测模型(称为灰色支持向量机)。其一是将灰色关联度方法直接利用到支持向量机模型中去,从众多的影响因子中筛选出主要因子,再将主要因子作为支持向量机的输入进行预测：其二是将筛选出来的主要因子利用灰色理论方法进行一次累加,再将累加生成数列作为输入建立灰色支持向量机预测模型。 论文中将组合预测模型运用于两个实际问题中,通过实验中三种预测模型的预测值对比,验证了组合模型的有效性和准确性,具有良好的鲁棒性。将灰色支持向量机应用于某城市环境污染问题中进行模拟仿真,实验结果表明新模型对预测精度有极大的改善,有效的降低预测成本和空间与时间复杂度,要优于单一的支持向量机预测模型。
【图文】：

的特征空间中线性可分的，它能将低维空间映射到无限维的特征空间，因此高斯基RBF核是最常用的核函数。图3一2是一个支持向量机模拟线性分类问题图。该支持向量机学习模型选择RBF核函数，通过模型的不断学习训练得到支持向量，找到最优的分类超平面，从而进行仁姗分类。图中支持向量用红圈表示。蘸蘸蘸羹羹 鑫鑫鑫 纂纂 纂 彝彝彝彝彝彝彝彝彝彝彝彝彝彝 彝彝 彝馨摹摹——op幼 malIinearfun比 onnnnnnnnnnnnnnnnnnn +++suPPortveCtorrrrr淡毋理理馨 馨纂 纂 纂纂 纂 纂图3一2线性分类问题中支持向量求解的模拟实验3.2.2支持向量机回归
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：N941.5;O212.1

【参考文献】

相关期刊论文 前5条

1 苏高利;邓芳萍;;关于支持向量回归机的模型选择[J];科技通报;2006年02期

2 罗小明，，杨惠鹄;灰色综合评判模型[J];系统工程与电子技术;1994年09期

3 李立辉,杨印生,张德骏;提高灰色模型精度的一种新方法[J];系统工程与电子技术;1997年03期

4 唐万梅;;基于灰色支持向量机的新型预测模型[J];系统工程学报;2006年04期

5 徐恒振;灰色关联度聚类分析在溢油鉴别中的应用[J];中国环境科学;1995年01期

相关博士学位论文 前1条

1 李海生;支持向量机回归算法与应用研究[D];华南理工大学;2005年

相关硕士学位论文 前3条

1 李福琴;灰色模型的稳定性和建模精度研究[D];武汉理工大学;2006年

2 江琼;小样本可视化数据的智能预测与后处理[D];武汉理工大学;2005年

3 贺晓;基于灰色关联的案例推理在智能诊断系统中的应用研究[D];华中科技大学;2005年

本文编号：2658579