資源描述：
《基于支持向量機(jī)的非線性時(shí)間序列預(yù)測(cè)方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、江南大學(xué)碩士學(xué)位論文基于支持向量機(jī)的非線性時(shí)間序列預(yù)測(cè)方法研究姓名：王洪波申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：檢測(cè)技術(shù)與自動(dòng)化裝置指導(dǎo)教師：崔寶同;朱啟兵20080601摘要?一要基于時(shí)間序列模型的預(yù)測(cè)作為定量預(yù)測(cè)的主要方法，在實(shí)際中的應(yīng)用幾乎遍及預(yù)報(bào)活動(dòng)的所有領(lǐng)域。傳統(tǒng)的時(shí)間序列建模主要針對(duì)線性或弱非線性時(shí)間序列，但是面對(duì)現(xiàn)實(shí)生活中大量的復(fù)雜非線性時(shí)間序列(甚至混沌)時(shí)則顯得力不從心?；诮y(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)是一種新型的學(xué)習(xí)方法，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，為解決小樣本、非線性、高維數(shù)等學(xué)習(xí)問(wèn)題提供了一個(gè)框
2、架。近年來(lái)，支持向量機(jī)已開始應(yīng)用于非線性時(shí)間序列預(yù)測(cè)中。本文以提高支持向量機(jī)預(yù)測(cè)模型的精度為主要目的，研究了非線性時(shí)間序列的降噪、非平穩(wěn)化處理和模型參數(shù)優(yōu)化等問(wèn)題。局部投影降噪算法已廣泛應(yīng)用于非線性時(shí)間序列的分析中，但其鄰域選取具有主觀性，嚴(yán)重影響到降噪的性能。本文研究了一種按照自適應(yīng)方式選取鄰域大小的局部投影降噪算法。首先用時(shí)間延遲方法將一維時(shí)問(wèn)序列重構(gòu)到高維相空間。然后逐步增大每個(gè)待分析相點(diǎn)的領(lǐng)域大小，在領(lǐng)域最大主方向變化過(guò)程中，自適應(yīng)地確定該相點(diǎn)的最優(yōu)領(lǐng)域。最后再用局部幾何投影的方法去除噪聲成
3、分。實(shí)驗(yàn)結(jié)果表明，自適應(yīng)鄰域選取方法，提高了局部投影算法的降噪能力。非平穩(wěn)時(shí)間序列具有一定的周期性和隨機(jī)性的，難以用單一的方法進(jìn)行精確的預(yù)測(cè)。本文提出將經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)和最小二乘支持向量機(jī)(LS．SVM)相結(jié)合的預(yù)測(cè)方法。首先，運(yùn)用EMD將趨勢(shì)時(shí)間序列自適應(yīng)地分解成一系列不同尺度的本征模式分量；其次，對(duì)每個(gè)本征模式分量，采用合適的核函數(shù)和超參數(shù)構(gòu)造不同的LS．SVM進(jìn)行預(yù)測(cè)；最后對(duì)各分量的預(yù)測(cè)值進(jìn)行擬合得到最終的預(yù)測(cè)值。并將此方法成功應(yīng)用于機(jī)械振動(dòng)非平穩(wěn)趨勢(shì)序列的預(yù)測(cè)。重構(gòu)相空間和支持向量機(jī)的
4、參數(shù)優(yōu)化是提高預(yù)測(cè)性能的兩個(gè)重要方面，傳統(tǒng)上這兩個(gè)問(wèn)題是分開解決的。本文提出采用混合粒子群算法實(shí)現(xiàn)二者的聯(lián)合優(yōu)化。聯(lián)合優(yōu)化方法融合了離散粒子群和實(shí)數(shù)值粒子群算法，同時(shí)對(duì)空間重構(gòu)的參數(shù)和支持向量機(jī)的參數(shù)設(shè)置進(jìn)行優(yōu)化。仿真試驗(yàn)表明，此方法可以提高預(yù)測(cè)精度。關(guān)鍵詞：非線性時(shí)間序列預(yù)測(cè)，支持向量機(jī)，局部投影，自適應(yīng)鄰域選取，經(jīng)驗(yàn)?zāi)B(tài)分解，混合粒子群算法，重構(gòu)相空間，聯(lián)合優(yōu)化AbstractAsthemaintechniqueofthequantitativeforecast，themethodoftimes
5、eriespredictionisusedalmostinallfieldsofforecast．Thetraditionalmethodsoftimeseriespredictionmainlyfocusonlineartimeseriesandweaknonlineartimeseries，SOtheylackeffectivenesswhentheyfacecomplexnonlineartimeseries(evenchaostimeseries)．SupportVectorMachine(
6、SVM)isakindofnovelmachinelearningmethods，theoreticallybasedonstatisticlearningtheory．Itemploysthecriteriaofstructuralriskminimizationandprovidesaframeworkforthesmallsamples，nonlinearityandhighdimensionproblems．SVMhasbeenappliedinnonlineartimesedespredi
7、ctioninrecentyears．FocusingonraisingaccuracyofSVMpredictionmodel，thispaperstudiesnoise—reduction，non-stationaryprocessingandmodelparametersoptimizationofnonlineartimeseries．Althougllwidelyappliedinnonlineartimeseriesanalysis，thenoisereductionmethodvial
8、ocalprojectionhasthesubjectivityofselectingtheneighborhood，whichgreatlyaffectstheperformance．Anewmethodbylocalprojectionusingadaptiveneighborhoodselectionisstudied．First，onedimensionaltimeseriesareembeddedintoahi曲dimensionalphasespaceac
