過程支持向量機模型及信息變換機制研究.pdf

1、支持向量機(SVM,Support Vector Machines)是在統(tǒng)計學習理論基礎(chǔ)上發(fā)展起來的一種新的機器學習方法,具有理論完備、全局優(yōu)化、泛化性能好、算法復(fù)雜度與特征空間維數(shù)無關(guān)等優(yōu)點,在非時變系統(tǒng)模式判別和擬合中具有良好的應(yīng)用效果.針對現(xiàn)有的支持向量機方法在解決時變系統(tǒng)動態(tài)模式分類和非線性回歸等問題時的不適應(yīng)性,論文提出了輸入可為時變函數(shù)的過程支持向量機(PSVM,Process Support Vector Machines

2、)模型.具有過程式輸入的過程支持向量機是更一般化的支持向量機模型,它放寬了傳統(tǒng)支持向量機對輸入的同步瞬時限制,拓寬了支持向量機的應(yīng)用領(lǐng)域,很多實際應(yīng)用可歸結(jié)為此問題.因此,研究過程支持向量機模型的拓撲結(jié)構(gòu)、核函數(shù)信息變換機制及學習算法等,在時變系統(tǒng)的過程信號模式識別、動態(tài)系統(tǒng)建模以及函數(shù)擬合等方面具有重要意義.論文概括性的介紹了傳統(tǒng)支持向量機的理論背景、基本思想及學習算法等,在此基礎(chǔ)上對過程支持向量機的映射機制、核函數(shù)性質(zhì)進行了分析,提

3、出了基于正交基函數(shù)展開的過程支持向量機和基于核變換的過程支持向量機,并對其模型、學習算法等相關(guān)問題進行了研究.基于正交基函數(shù)展開的過程支持向量機利用函數(shù)空間與高維向量空間的同構(gòu)原理,在同構(gòu)映射下,把時變函數(shù)空間的信號分類問題轉(zhuǎn)換為高維實向量空間的模式分類問題,借助傳統(tǒng)支持向量機方法,有效解決了時變函數(shù)模式識別問題；基于核變換的過程支持向量機由于采用了新的過程核函數(shù),能夠有效處理系統(tǒng)輸入的過程信號或時變函數(shù),并且它與三層前饋過程神經(jīng)元網(wǎng)絡(luò)

4、具有等價性.油田開發(fā)中油水層判別實驗證明了基于核變換的過程支持向量機比基于正交基函數(shù)展開的過程支持向量機具有更好的動態(tài)模式分類能力.最后,論文將用于求解模式識別任務(wù)的過程支持向量機擴展到回歸分析問題中,提出了基于ε-不敏感損失函數(shù)的過程支持向量回歸機(PSVR,Process Support Vector Regression),構(gòu)建了基于GASA混合策略的參數(shù)優(yōu)化選擇方法,并將其用于時間序列預(yù)測中,從泛函分析的角度出發(fā),把時間序列預(yù)測