学位论文 > 优秀研究生学位论文题录展示

最小二乘支持向量回归组合预测模型的应用

作　者: 陈金翠
导　师: 胡锡健
学　校: 新疆大学
专　业: 概率论与数理统计
关键词: 最小二乘支持向量回归马尔科夫链组合模型预测
分类号: F830.91
类　型: 硕士论文
年　份: 2010年
下　载: 182次
引　用: 1次
阅　读: 论文下载

内容摘要

支持向量机(Support Vector Machine,SVM)在分类问题上,无论是理论还是应用,都已经趋于完善。但在回归的应用上,还有很多有待完善的。最小二乘支持向量机回归(Least Squares Support Vector Machine For Regression,Lssvr)是建立在Vapnik等人提出的统计学习理论基础上,Suyken等人提出的一种学习方法。可以说,它是支持向量机的一种新的算法。它不但有良好的学习性能和解决非线性、小样本、局部极值等问题,而且参数个数少,通过求解一个线性方程组得到问题的解。目前,支持向量机已经成为一个研究的热点。本文首先阐述了支持向量机的发展过程及其相关的一些应用研究成果,并对其优势作了介绍。其次,系统地阐述统计学习理论的主要内容。同时也介绍支持向量机,最小二乘支持向量回归算法的原理和实现过程。最后,考虑到传统的ARIMA方法,Lssvr方法,马尔科夫链方法在时间序列预测上的优势,将ARIMA方法与Lssvr方法,Lssvr和马尔科夫链方法组合得到两种混合模型。前一模型是将时间序列分解为线性和非线性部分,后一模型是将序列分解为确定性部分和随机部分。将两种组合模型应用于股票指数的预测,且与ARIMA方法,Lssvr方法进行模拟比较,结果显示组合模型要好于另外两个模型。

全文目录

摘要  3-4
Abstract  4-7
第一章序言  7-11
  1.1 选题的背景与意义  7-8
  1.2 支持向量机的应用研究及优势  8-10
    1.2.1 支持向量机的应用研究  8-9
    1.2.2 支持向量机性能  9-10
  1.3 主要内容与安排  10-11
第二章支持向量回归理论  11-23
  2.1 学习问题与经验风险最小化原理  11-12
    2.1.1 学习问题  11-12
    2.1.2 经验风险最小化原理  12
  2.2 统计学习理论的基本内容  12-14
    2.2.1 VC维  12-13
    2.2.2 泛化性的界  13-14
    2.2.3 结构风险最小化  14
  2.3 支持向量回归  14-22
    2.3.1 线性ε―支持向量回归  14-19
    2.3.2 非线性ε―支持向量回归  19-21
    2.3.3 最小二乘支持向量回归  21-22
  2.4 核函数  22-23
第三章 ARIMA―最小二乘支持向量机组合预测模型  23-32
  3.1 建立模型的思想  23
  3.2 ARIMA―最小二乘支持向量机组合预测模型的形式  23-24
    3.2.1 组合预测模型  23-24
  3.3 实证分析  24-31
    3.3.1 ARIMA模型  24-27
    3.3.2 Lssvr模型的建立与预测  27-29
    3.3.3 ARIMA―Lssvr组合模型的预测  29-31
  3.4 小结  31-32
第四章 Lssvr―马尔科夫链组合预测模型  32-38
  4.1 Lssvr―马尔科夫链组合的思想  32
  4.2 Lssvr―马尔科夫链组合预测模型  32-34
    4.2.1 马尔科夫链方法  32-33
    4.2.2 组合预测模型的建立  33-34
  4.3 实证分析  34-38
第五章总结  38-39
参考文献  39-41
学术论文目录  41-42
致谢  42

最小二乘支持向量回归组合预测模型的应用

内容摘要

全文目录

相似论文