基于多种群粒子群的SVM预测参数寻优的研究

摘要

本文以数据挖掘作为背景，以应用支持向量机模型对时间序列数据进行预测的问题作为研究对象，研究了一种新的改善预测效果的方法。
　　根据目前就支持向量回归机模型参数寻优的各类方法作为知识基础，从提高计算效率及降低早熟收敛可能性的角度，以粒子群算法为基础，提出了一种结合了遗传算法核心思想的新型的基于核模糊聚类算法参数自学习方法来对支持向量回归机的参数寻优策略进行改进，从而得到更好的预测结果。同时，在改进策略中，创新的提出了用幂函数来作为粒子群算法动态学习因子的方法来提高算法性能。
　　通过三大项策略、四个小创新点来全面改进了已经在支持向量机中大量应用的标准粒子群算法来达到更平衡的性能。
　　这三大项改进点分别为：
　　（1）改进的核模糊聚类种群分割策略，本策略包含两个创新点，一是如何将核模糊聚类算法与多种群粒子群结合的方法；二是对核模糊聚类算法进行进一步的改进。本部分主要是从多种群粒子群算法的种群分割方法上进行改进，提出了一种更加普适的分种群方法。
　　（2）基于非线性异步动态学习因子的粒子群改进策略。本部分从粒子群算法中的重要因素学习因子入手，通过提出一种新的学习因子变化函数来提高多种群粒子群算法的时间效率。
　　（3）基于变异的改进粒子群进化策略。本部分创新点从粒子群的进化过程入手，通过对适量粒子加入变异操作来提高粒子种群的多样性，进而进一步降低早熟收敛的可能性。
　　这四个创新点分别涵盖了改善聚类效果、提高算法迭代过程中的多样性、提高算法效率等几个方向。
　　选取了五个不同特点的数据集，分别代表了时间序列数据的五个典型类型，用提出的改进粒子群算法与网格算法（Grid Algorithm）、标准粒子群算法（PSO）、标准遗传算法（GA）、人工蜂群算法（ABC）四种智能参数自学习算法进行对比。进行了5组共25次分实验。
　　实验结果表明，本改进算法在预测准确度方面相对传统方法有着一定的提高，时间效率也较为合理，使二者达到了一定平衡，算法具有一定的普适性。
　　最后，本文还对支持向量机在预测方面本身的缺点与不足进行了分析，并指出了日后的研究方向。

目录

声明

第1章 绪论

1.1 问题的提出

1.2 理论依托

1.3 相关技术文献回顾与发展趋势

1.4 研究目的及论文结构

第2章 经典模型及算法详述

2.1 核模糊聚类算法

2.2粒子群算法

2.3 支持向量机模型群

2.4 经典参数智能寻优算法

第3章 基于多种群粒子群的SVM预测参数寻优的研究

3.1 改进的核模糊聚类种群分割策略

3.2 基于非线性异步动态学习因子的粒子群改进策略

3.3 基于变异的改进粒子群进化策略

3.4 以改进点为基础的小论文简述及总结

3.5 本文整体改进策略的实现步骤

3.6 本文整体改进策略的优点

3.7 本章小结

第4章 实验与分析

4.1 实验平台及实验说明

4.2 股票数据集实验及分析

4.3 牛奶数据集实验及分析

4.4 Wisconsin数据集实验及分析

4.5 Dow-Jones数据集实验及分析

4.6 Fisher River Mean Daily Temperature数据集实验及分析

4.7 整体实验分析

4.8 本章小结

结论

参考文献

攻读硕士学位期间发表的论文与科研成果

致谢