資源描述：
《基于選擇策略的時間序列預(yù)測的研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、南京航空航天大學(xué)碩士學(xué)位論文基于選擇策略的時間序列預(yù)測喧姓名：壬權(quán)申請學(xué)位級別：碩士專業(yè)：計算機科學(xué)與技術(shù)指導(dǎo)教師：昭松燦2011-01南京航空航天大學(xué)碩上學(xué)位論文摘要作為一種巫要的分析復(fù)雜系統(tǒng)的方法，時間序列預(yù)測在諸如：對A陽黑子數(shù)、電力需求和商品物價指數(shù)cpi的預(yù)測等場合都己取得了廣泛應(yīng)用。其面臨的問題之一即在對原時間序列進行重構(gòu)后的相空間屮如何建模原系統(tǒng)，也正是機器學(xué)習(xí)所關(guān)注的。最近Huang等人針對前饋神經(jīng)網(wǎng)絡(luò)提出了一種簡單、快速，且能保持較好學(xué)習(xí)性能的算法，稱Z為極限學(xué)習(xí)器(ELM)。以提升ELM的效率和解決其性能的不穩(wěn)定為H的，本文分別提出了基丁?
2、選擇部分樣本學(xué)習(xí)和選擇部分學(xué)習(xí)器集成的改進措施，并應(yīng)用于具體的時間序列預(yù)測。1.針對ELM而向全局學(xué)習(xí)導(dǎo)致其計算量相對較人的弱點，且鑒丁時間序列具有任意點與其近鄰點演變相似的特點，基丁近鄰點比非近鄰點對于學(xué)習(xí)更重耍的假設(shè)，本文提出了僅學(xué)習(xí)部分近鄰樣本的基于極限學(xué)習(xí)器的局部預(yù)測器(ELMLP)o在時間序列數(shù)據(jù)集上的實驗驗證了ELMLP提升效率的有效性，僅以犧牲少量的性能為代價，甚至在較大噪聲背景下反而獲得了性能的提升。這是因為ELMLP只需學(xué)習(xí)部分重要樣本，從而避免了過多不重要樣本所含噪聲的干擾。2.針対ELM對其屮參數(shù)的隨機設(shè)置導(dǎo)致其性能的不穩(wěn)定，本文捉出了極
3、限回歸器的稀疏集成算法(SERELM)e實驗結(jié)果驗證了SERELM不僅緩解了ELM性能的不穩(wěn)定，而H改善了其性能并優(yōu)于另外兩個最近的集成方法。另外，集成學(xué)習(xí)的優(yōu)劣通常與多樣性密切相關(guān)，而如何定義和度量多樣性仍是一個問題，SERELM則利用11?正則化繞開了這一問題。在對實驗結(jié)果的進一步分析后，木文發(fā)現(xiàn)：很大程度上，冋歸中常用個體間的負相關(guān)性對多樣性度量無效。通過對當(dāng)前尚處爭議的多樣性定義和度量問題研究工作的總結(jié)，本文從肓覺上初步提出對多樣性的分析應(yīng)該建立在對個體學(xué)習(xí)器所處的假設(shè)空間的差異分析皋礎(chǔ)上。關(guān)鍵詞：時間序列預(yù)測，極限學(xué)習(xí)器，基于極限學(xué)習(xí)器的局部預(yù)測器，
4、極限回歸器的稀疏集成，多樣性。ABSTRACTAsanimportanttoolofanalyzingcomplexsystems,timeseriesforecastingiswidelyutilizedinmanyapplications,likepredictingsunspotnumber、electricitydemandCPIandsoon.Thequestionhowtomodeltheoriginalsysteminthephasespacereconstructedfromtheoriginaltimeseries,isalsoconcern
5、edbymachinelearning?Recently,HuangetalhasproposedasimpleandfastlearningalgorithmforSLFNwithagoodgeneralizationperformancecalledELM?Basedonselecting,thispaperproposestwoimprovements(learningfromsomesamplesandensemblesomelearningmachines)correspondingtothepurposeofpromotingELM'seffici
6、encyandovercomingitsunstabilityinapplicationsoftimeseriesforecasting.1.Asagloballearningalgorithm,ELMconsumesalargerelativelycomputation.Inviewofthatnearestneighboursevolvesimilarly,andbasedonahypothesis(neighboursaremoreimportantthannon-neighbours),thispaperproposesELMLPfortimeseri
7、esforecasting,whichlearnsfromsomeneighbours.TheexperimentalresultsoftimeseriesdatasetsshowthatELMLPpromotesefficiencyofELMalwaysJustsacrificingalittleperformance,orperformanceevenbeingpromotedwhenbeingconfrontedwithabigrelativelynoise,duetonoiseattachedwithunimportantsamplesbeingavo
8、ided?2.Inilializing
