基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)

基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)

ID:33564776

大?。?.74 MB

頁數(shù):35頁

時(shí)間:2019-02-27

基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)_第1頁
基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)_第2頁
基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)_第3頁
基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)_第4頁
基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)_第5頁
資源描述:

《基于某matlab地svr回歸模型地設(shè)計(jì)與實(shí)現(xiàn)》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫

1、實(shí)用標(biāo)準(zhǔn)基于MATLAB的SVR回歸模型的設(shè)計(jì)與實(shí)現(xiàn)TheDesignandImplementationofSVRRegressionModelBasedonMATLAB學(xué)生姓名:王新蕾學(xué)生學(xué)號(hào):10780232專業(yè)名稱:電子信息科學(xué)與技術(shù)指導(dǎo)教師:張艷(講師)計(jì)算機(jī)與信息工程學(xué)院2014年6月10日精彩文檔實(shí)用標(biāo)準(zhǔn)獨(dú)創(chuàng)性聲明本人聲明所呈交的畢業(yè)論文是本人在指導(dǎo)教師指導(dǎo)下進(jìn)行的研究工作和取得的研究成果,除了文中特別加以引用標(biāo)注之處外,論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果,沒有偽造數(shù)據(jù)的行為。

2、畢業(yè)論文作者簽名:簽字日期:畢業(yè)論文版權(quán)使用授權(quán)書本畢業(yè)論文作者完全了解學(xué)校有關(guān)保留、使用論文的規(guī)定。同意學(xué)校保留并向有關(guān)管理部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版,允許論文被查閱和借閱。本人授權(quán)天津城建大學(xué)可以將本論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)進(jìn)行檢索,可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本論文。(保密的畢業(yè)論文在解密后適用本授權(quán)說明)畢業(yè)論文作者簽名:指導(dǎo)教師簽名:簽字日期:簽字日期:精彩文檔實(shí)用標(biāo)準(zhǔn)摘要支持向量機(jī)是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的學(xué)習(xí)方法,近年來受到了國內(nèi)外學(xué)術(shù)界的廣泛重視

3、,并已在模式識(shí)別和函數(shù)估計(jì)中得到廣泛應(yīng)用。支持向量機(jī)理論的最大特點(diǎn)是由有限的訓(xùn)練集樣本得到的小的誤差保證對(duì)獨(dú)立的測試集仍保持小的誤差。從而通過支持向量機(jī)(SVM)理論,可以建立支持向量回歸(SVR)預(yù)測模型,以解決各種實(shí)際問題。  SVR算法是模式識(shí)別中應(yīng)用比較廣泛的算法模型之一,它是支持向量機(jī)在函數(shù)逼近和回歸估計(jì)中的應(yīng)用。在SVR回歸分析中,使用支持向量機(jī)可以使回歸函數(shù)盡量平滑,其泛化能力強(qiáng)?! ”疚恼撌隽酥С窒蛄炕貧w的基本原理和思想,介紹了支持向量回歸算法以及所用到的幾種常見的核函數(shù)(即線性內(nèi)核

4、、多項(xiàng)式內(nèi)核、徑向基函數(shù)內(nèi)核、高斯內(nèi)核)。本設(shè)計(jì)主要實(shí)現(xiàn)的功能有:數(shù)據(jù)集的創(chuàng)建、內(nèi)核函數(shù)的選取、參數(shù)的設(shè)置、訓(xùn)練集的回歸、數(shù)據(jù)集的保存與打開。通過不同核函數(shù)的選取以及相應(yīng)參數(shù)的設(shè)置對(duì)輸入數(shù)據(jù)集進(jìn)行回歸。此模型主要解決非線性回歸模型的預(yù)測。通過實(shí)驗(yàn)改變各個(gè)參數(shù)的不同取值對(duì)訓(xùn)練集進(jìn)行回歸,并分別統(tǒng)計(jì)出支持向量的個(gè)數(shù),回歸性能,程序運(yùn)行時(shí)間。最后對(duì)回歸的結(jié)果進(jìn)行分析,得出各參數(shù)對(duì)回歸性能的影響。關(guān)鍵詞:支持向量回歸;訓(xùn)練算法;核函數(shù);線性判別精彩文檔實(shí)用標(biāo)準(zhǔn)ABSTRACTSupportvectormac

5、hine(SVM)isanewmethodofstudybasedonstatisticallearningtheorywhichhasattractedextensiveattentionsbyacademiccirclesbothathomeandabroadinrecentyears.Ithasbeenwidelyusedinpatternrecognitionandfunctionestimation.Thebiggestcharacteristicofsupportvectormachin

6、e(SVM)theoryisthatasmallerrorlimitedbythetrainingsetofsamplecanensuretheindependenttestset’ssmallerror.Thusasupportvectorregression(SVR)forecastingmodelcanbebuiltbysupportvectormachine(SVM)theoryanditcansolvevariouspracticalproblems.SVRalgorithmmodelis

7、oneofpatternrecognitionalgorithm,whichismorewidelyusedinapproximationoffunctionandtheapplicationoftheregressionestimate.IntheSVRregressionanalysis,usingsupportvectormachine(SVM)cansmoothregressionfunctionasfaraspossible.Itsgeneralizationabilityisstrong

8、.Thispaperdiscussesthebasicprincipleofsupportvectorregressionandintroducessupportvectorregressionalgorithmandseveralcommonkernelfunctions(thelinearkernel,polynomialkernelandradialbasisfunction(RBF)kernel,theGaussiankerneletc.).Thisessay

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭議請及時(shí)聯(lián)系客服。
3. 下載前請仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶請聯(lián)系客服處理。