資源描述：
《基于matlab的svr回歸模型的設(shè)計(jì)與實(shí)現(xiàn)畢業(yè)論文》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、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。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。
2、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：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(guó)內(nèi)外學(xué)術(shù)界的廣泛重視，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(cè)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
3、)預(yù)測(cè)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、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(cè)。通過實(shí)驗(yàn)改變各個(gè)參數(shù)的不同取值對(duì)訓(xùn)練
4、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ABSTRACTSupportvectormachine(SVM)isanewmethodofstudybasedonstatisticallearningtheorywhichhasattractedextensiveattentionsbyacademiccirclesbothathomeandabroadinrecentyears.Ithasbeenwidelyusedinpatternrecognitio
5、nandfunctionestimation.Thebiggestcharacteristicofsupportvectormachine(SVM)theoryisthatasmallerrorlimitedbythetrainingsetofsamplecanensuretheindependenttestset’ssmallerror.Thusasupportvectorregression(SVR)forecastingmodelcanbebuiltbysupportvectormachine(SVM)theoryanditcansolvevariouspractica
6、lproblems.SVRalgorithmmodelisoneofpatternrecognitionalgorithm,whichismorewidelyusedinapproximationoffunctionandtheapplicationoftheregressionestimate.IntheSVRregressionanalysis,usingsupportvectormachine(SVM)cansmoothregressionfunctionasfaraspossible.Itsgeneralizationabilityisstrong.Thispaper
7、discussesthebasicprincipleofsupportvectorregressionandintroducessupportvectorregressionalgorithmandseveralcommonkernelfunctions(thelinearkernel,polynomialkernelandradialbasisfunction(RBF)kernel,theGaussiankerneletc.).Thisessaysuccessfullymakesthesefuncti
