船舶技術(shù)經(jīng)濟論證中的支持向量機方法研究及應(yīng)用.pdf

1、隨著船舶工業(yè)和計算機技術(shù)的發(fā)展，采用多種預(yù)測方法、優(yōu)化方法及多準(zhǔn)則評價方法等來預(yù)測未來運量、求解船舶主尺度要素及進(jìn)行船型方案評價等的研究已陸續(xù)出現(xiàn)并且取得了令人矚目的研究成果。但現(xiàn)有方法還非常有限，導(dǎo)致船舶技術(shù)經(jīng)濟論證的結(jié)果過分依賴所選擇的方法，因此有必要做進(jìn)一步的研究。 支持向量機(SVM)是由Vapnik及其研究小組于1995年在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原則的基礎(chǔ)上提出來的一類新型的機器學(xué)習(xí)方法，它追求的是在

2、現(xiàn)有信息(即有限樣本)情況的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮時的最優(yōu)解。該方法分為支持向量機分類(SVC)和支持向量機回歸(SVR)，較好地解決了小樣本、非線性、高維數(shù)、局部極小點等實際問題，由于其出色的學(xué)習(xí)性能，該方法己成為當(dāng)前國際機器學(xué)習(xí)界的研究熱點。用于回歸估計的支持向量機方法(SVR)以可控制的精度逼近非線性函數(shù)，具有全局最優(yōu)、良好的泛化能力等優(yōu)越性能，但是其在應(yīng)用方面的研究還相當(dāng)缺乏。鑒于支持向量機具有良好學(xué)習(xí)性能和潛在應(yīng)用價值

3、，本文嘗試將其應(yīng)用于船舶技術(shù)經(jīng)濟論證領(lǐng)域中。 論文研究工作的主要內(nèi)容和成果如下： 1．在調(diào)研的基礎(chǔ)上，分析了船舶技術(shù)經(jīng)濟論證領(lǐng)域中的運量預(yù)測、船型要素數(shù)學(xué)建模和船型方案評價的應(yīng)用研究現(xiàn)狀。同時針對統(tǒng)計學(xué)習(xí)理論和支持向量機方法的發(fā)展及研究現(xiàn)狀進(jìn)行了分析。 2．闡述了支持向量機方法的理論基礎(chǔ)：最優(yōu)化理論，統(tǒng)計學(xué)習(xí)理論以及核函數(shù)理論。 3．闡述了標(biāo)準(zhǔn)支持向量機分類算法和標(biāo)準(zhǔn)支持向量機回歸算法的詳細(xì)推導(dǎo)過程，簡述

4、了目前存在的其他各種形式的支持向量機分類和回歸，歸納了求解支持向量機的訓(xùn)練算法，并總結(jié)了支持向量機方法的特點。 4．提出了一種基于單參數(shù)的Lagrangian支持向量機回歸新算法(簡稱為SPL-SVR)，并給出了該改進(jìn)算法的詳細(xì)推導(dǎo)過程，同時將其應(yīng)用到人工數(shù)據(jù)集和實際數(shù)據(jù)集中進(jìn)行檢驗。 5．提出了一種基于高斯核參數(shù)加權(quán)的支持向量機回歸新算法(簡稱為GKPW-SVR)，同樣應(yīng)用人工數(shù)據(jù)集和實際數(shù)據(jù)集對其進(jìn)行檢驗以證明其有效

5、性。 6．將本文提出的支持向量機回歸改進(jìn)算法引入到運量預(yù)測中，分時間序列預(yù)測和影響因素預(yù)測兩大類進(jìn)行了實例驗證。 7．率先將支持向量機回歸算法引入到船型要素數(shù)學(xué)建模中，針對實例進(jìn)行了船長、船寬、吃水、型深和空船重量的回歸建模，并和常規(guī)回歸建模方法進(jìn)行了比較。 8．率先將核主成分分析(KPCA)方法引入到船型方案的評價研究中，進(jìn)行了實例分析，結(jié)果驗證了該方法在船型方案評價中的適用性。 結(jié)果證明，支持向量機方