支持向量回归机参数优化的方法研究

摘要

支持向量回归机的性能与其参数的选取有至关重要的关系，但至今为止还没有确定的数学理论来指导如何选择最优参数.为了解决参数选择问题，先将其转化为组合优化问题，然后采用两种智能算法对其寻优求解.
　　针对人工蜂群算法存在的不足，引入权重函数、当前最优食物源和混沌搜索算法对蜂群算法的更新方式与侦察蜂搜索方式予以改进，进而提出基于改进的人工蜂群算法的SVR模型，数值实验证明了改进算法的有效性和可行性.以短期交通流量为例，将模型的结果与使用ACO-SVR模型、PSO-SVR模型及ABC-SVR模型得到的结果对比分析，表明该模型的预测效果最优且运行时间最短，具有良好的泛化能力和学习能力.
　　针对人工鱼群算法后期收敛速度慢且精度不高的缺点，引入人工蜂群算法对其后期搜索加以改进得到AFSA-ABC混合算法，将该算法用于SVR的参数寻优，数值实验证明该算法处理参数优化问题是切实可行的.将模型应用于上海市GDP的预测中，结果表明该模型比已有的相关预测模型效果优越，为GDP的预测提供了新方法.

目录

声明

致谢

摘要

1 绪论

1．1 研究背景

1．2 研究现状及意义

1．3 研究内容及结构安排

2 相关基础理论

2．1 支持向量回归机

2．1．1 损失函数

2．1．2 核函数

2．1．3 支持向量机的回归

2．2 人工蜂群算法

2．2．1 算法原理

2．2．2 参数设置及步骤

2．3 人工鱼群算法

2．3．1 算法原理

2．3．2 算法步骤

3 人工蜂群算法优化SVR的参数

3．1 参数对SVR的影响分析

3．2 改进的人工蜂群算法

3．3 参数优化模型

3．4 模型的有效性检验

3．5 实例应用

3．5．1 模型的参数设置

3．5．2 结果分析

3．6 小结

4 AFSA-ABC混合算法优化SVR的参数

4．1 AFSA-ABC混合算法原理

4．2 参数优化模型

4．3 模型的有效性检验

4．4 实例应用

4．4．1 数据的选取

4．4．2 参数设置

4．4．3 结果分析

4．5 小结

结论

参考文献

作者简历

学位论文原创性声明

学位论文数据集