支持向量機(jī)方法在非線性時(shí)間序列預(yù)測(cè)中的應(yīng)用.pdf

1、本文主要研究最小二乘支持向量機(jī)(LS-SVM)方法在非線性時(shí)間序列預(yù)測(cè)中的應(yīng)用。主要內(nèi)容包括使用不同的方法減少LS-SVM中支持向量個(gè)數(shù)對(duì)模型預(yù)測(cè)性能的影響，并討論了LS-SVM中參數(shù)的選取方式。首先，本文引入應(yīng)用較為廣泛的K-means聚類算法預(yù)處理訓(xùn)練數(shù)據(jù)來減少網(wǎng)絡(luò)中支持向量的個(gè)數(shù)，將此方法應(yīng)用在Mackey-Glass方程的預(yù)測(cè)中，并與逐次減去小數(shù)量支持向量的方法做比較。實(shí)驗(yàn)結(jié)果表明基于聚類的方法可以為網(wǎng)絡(luò)訓(xùn)練過程節(jié)省更多的時(shí)間，

2、且更有助于提高預(yù)測(cè)模型的抗噪聲能力。其次，本文分析了預(yù)測(cè)性能隨不同參數(shù)的變化情況，提出使用基于混沌變異算子的進(jìn)化規(guī)劃算法優(yōu)選網(wǎng)絡(luò)參數(shù)，結(jié)果表明本方法快速有效地提高了預(yù)測(cè)模型的訓(xùn)練和抗噪聲的能力，周時(shí)也說明優(yōu)化的LS-SVM是一種優(yōu)秀的小樣本學(xué)習(xí)方法，具有更強(qiáng)的泛化能力。此外，本文應(yīng)用改進(jìn)的LS-SVM網(wǎng)絡(luò)預(yù)測(cè)Nasdaq股票數(shù)據(jù)，根據(jù)同一股票在不同階段所含噪聲的大小，分別采用相應(yīng)的方法進(jìn)行預(yù)測(cè)，取得滿意的效果，證明了LS-SVM方法在實(shí)