基于支持向量机的系统建模方法研究

发布时间：2020-11-09 02:18

　　 数学模型用来反映过程本身各有关变量之间本质关系,它可能是代数方程、微分方程或几何曲线。系统建模就是确定系统数学模型输入与输出之间的关系,现阶段系统建模的热点是基于输入-输出数据的非线性系统建模,出现了基于神经网络、小波网络等新的建模方法,但是结果依旧不尽人意。支持向量机是在统计学理论上发展的一种新的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。本文利用支持向量机,选取不同的核函数,分别对线性自回归滑动平均模型,双线性模型,非线性模型进行系统建模。仿真结果表示该方法可以有效的解决神经网络过学习问题,具有良好的性能。
【学位单位】：华北电力大学（河北）
【学位级别】：硕士
【学位年份】：2005
【中图分类】：N945.12
【文章目录】：
中文摘要
ABSTRACT
第一章 引言
    1.1 选题背景及意义
    1.2 支持向量机研究现状
        1.2.1 理论研究
        1.2.2 应用研究
        1.2.3 支持向量机在系统建模中的研究现状
    1.3 本文的研究内容和结构安排
第二章 支持向量机的理论概述
    2.1 引言
    2.2 机器学习问题的理论基础
        2.2.1 机器学习概述
        2.2.2 机器学习问题的表示
        2.2.3 经验风险最小化归纳原则
        2.2.4 学习机器的复杂性和推广能力
    2.3 统计学习理论基础
        2.3.1 VC维
        2.3.2 推广性的界理论
        2.3.3 结构风险最小化原则
    2.4 支持向量机
        2.4.1 最优超平面的构造
        2.4.2 支持向量机分类算法推导
        2.4.3 核函数
    2.5 本章小结
第三章 支持向量机模型选择
    3.1 模型参数选择的主流方法
    3.2 其他参数选择方法简介
    3.3 基于矩阵相似度量的参数选择方法
第四章 系统阶的辨识
    4.1 行列式比法
    4.2 AIC定阶法
第五章 回归支持向量机用于系统建模
    5.1 回归型支持向量机
    5.2 线性ARAM系统建模研究
    5.3 双线性系统建模研究
    5.4 一般非线性系统建模研究
    5.5 基于支持向量机的煤气炉数据预测
第六章 结论与展望
参考文献
致谢
攻读硕士学位期间发表的学术论文和参加科研情况

【引证文献】

相关硕士学位论文 前5条

1 庞宇;自适应逆控制在工业生产中的应用[D];北京化工大学;2007年

2 翟津;基于支持向量机的内模控制算法研究及应用[D];华北电力大学（河北）;2008年

3 陈源;锌湿法冶炼电解过程能耗分析与建模[D];中南大学;2008年

4 王玉静;商业银行信用风险度量方法研究[D];河北大学;2008年

5 马霞霞;基于GABP神经网络及SVM的房地产投资风险评价及应用[D];西安理工大学;2010年

本文编号：2875727