基于组合SVR的非平稳时间序列模糊建模方法研究

摘要

本文主要对非平稳时间序列建模问题进行研究。首先，对建模的方法进行比较，通过实验确定采用具有全局最优解和较好泛化推广能力的支持向量回归技术进行建模。 其次，提出一种面向时间序列预测的支持向量回归模型参数选择方法。针对时间序列的特点，提出一种改进的交叉校验(cross-validation)的网格搜索(grid-search)方法，并通过对支持向量回归模型中的不敏感参数ε进行加权，来获得较优的支持向量回归模型参数。实验结果表明，使用该方法选择的参数构建模型，可以得到更好的预测结果。 最后，提出一种基于组合SVR的非平稳时间序列模糊建模方法。在对非平稳时间序列进行模糊分块和对传统的支持向量回归进行改进的基础上，通过启发式的加权方法将模糊分块的信息与SVR结合起来，通过多SVR组合的方式对非平稳时间序列建模。通过对典型的非平稳时间序列进行实验表明，所提方法适合于对非平稳时间序列进行建模，具有较高的模型精度。

目录

文摘

英文文摘

独创性声明和学位论文版权使用授权书

第一章引言

1.1研究背景

1.2问题提出

1.3解决方法

1.4论文结构

第二章支持向量机介绍

2.1机器学习的基本问题

2.2统计学习理论

2.2.1 VC维

2.2.2推广性的界

2.2.3结构风险最小化

2.3支持向量机

2.3.1广义最优分类面

2.3.2支持向量机

2.3.3核函数

2.3.4支持向量回归

2.4本章小结

第三章非平稳时间序列建模方法的选择

3.1引言

3.2时间序列的基本概念

3.2.1时间序列的定义

3.2.2时间序列的分类

3.3时间序列建模

3.3.1历史和现状

3.3.2存在的问题

3.3.3时间序列问题的本质

3.3.4困境的根源

3.4时序预报技术

3.4.1确定型时序预报

3.4.2随机型时序预报

3.4.3基于神经元网络的时序预报

3.5面向非平稳时间序列预测的两种建模方法比较

3.5.1实验一：基于太阳黑子活动数据集进行比较

3.5.2实验二：基于高炉铁水硅含量数据集进行比较

3.6本章小结

第四章面向时间序列预测的支持向量回归模型参数选择方法

4.1引言

4.2支持向量回归模型

4.3传统的交叉校验(cross-validation)方法及网格搜索(grid-search)

4.4面向时间序列预测的支持向量回归模型的参数选择方法

4.5面向时间序列的SVR参数选择实验及分析

4.5.1实验方案设计

4.5.2实验过程、结构及其分析

4.6本章小结

第五章基于支持向量回归的非平稳时间序列模糊建模方法

5.1引言

5.2根据模糊信息对非平稳时间序列进行建模

5.2.1时间序列的模糊分块

5.2.2改进的SVR表达式

5.2.3模糊分块信息和改进的SVR的结合

5.2.4求解组合模型中的权值pit

5.3实验及结果评价

5.3.1实验一：高炉铁水含硅量数据建模

5.3.1实验二：太阳黑子活动数据建模

5.4本章小结

第六章结论

6.1研究工作总结

6.2未来工作展望

参考文献

致谢

攻读硕士学位期间的论文项目情况