学位论文 > 优秀研究生学位论文题录展示

在线学习及其在智能交通与金融工程中的应用

作　者: 周骥
导　师: 张军平
学　校: 复旦大学
专　业: 计算机软件与理论
关键词: 机器学习在线学习 Perceptron 精确停车投资组合 regret
分类号: U495;F830
类　型: 硕士论文
年　份: 2011年
下　载: 90次
引　用: 1次
阅　读: 论文下载

内容摘要

在线学习是近年来机器学习领域的热点研究方向之一,因其与现实世界中各种问题的高度吻合而得到日益广泛的关注。对于解决当今社会生活中不断爆炸式增长的新信息以及不断堆积以至于冗余的旧信息的处理有天然的优势。当目前对在线学习课题的研究主要仍停留在理论层面,主要关注的是如何从在线凸优化的角度求解及算法的理论误差界。本文选取了在线学习中具有高度应用价值的几个问题,包括：1)在线算法的核方法及如何避免不断增长的核矩阵；2)在线回归算法,特别是在线Boosting回归技术的性能,优势,及其在列车精确停车问题中的应用；3)如何利用在线算法设计在线投资组合策略,如何利用市场本身的波动特性提高在线投资组合策略的性能。我们提出了以下改进的算法并评估了它们的性能：(?)考察了几种基于核的Perceptron类算法,并利用支持向量机中soft margin的方法改进了其中性能较好的Projectron算法,改进后的SMProj算法在提高性能的同时,也减小了支持向量集的规模。对于现实生活中的分类问题有很好的指导意义。(?)针对简化的列车停车模型,考察了几种回归算法在该模型上的性能,并对其中的GP Boosting算法提出了在线化的方法。通过试验证实了在线Boosting回归算法在列车停车问题上的可行性及优势。(?)在Anticor算法的启发下,深入研究并证明了该算法在投资组合问题上的机理,同时针对算法的疑点,提出了改进后的CorrReg算法。不仅通过市场的波动和资产的相互关系预测资金的流动方向,而且利用了在线算法中的internal regret量化了资金的流动数量。使得算法更富有可解释性。

全文目录

摘要  5-6
Abstract  6-7
1 在线学习概述  7-11
  1.1 在线学习简介  7
  1.2 在线学习常用算法的演变与综述  7-9
    1.2.1 更新方式  8
    1.2.2 应用类型  8
    1.2.3 更新动机  8-9
  1.3 在线学习的扩展及应用  9
  1.4 本文的主要工作  9-11
2 基于Perceptron的算法综述与比较  11-21
  2.1 基于核的Perceptron算法简介  11-12
  2.2 基于Perceptron的改进算法  12-16
    2.2.1 Passive-Aggressive算法  12-13
    2.2.2 Kernel Forgetron  13-14
    2.2.3 Projectron算法  14-16
  2.3 一个改进的Projectron算法  16-18
    2.3.1 动机  16
    2.3.2 SMProj算法  16-18
  2.4 试验experiment  18
  2.5 总结及展望  18-21
3 Boosting的在线视角及工程应用  21-33
  3.1 Boosting简介  21
  3.2 列车停车问题  21-22
  3.3 高斯过程与Boosting回归技术  22-27
    3.3.1 高斯过程  22-23
    3.3.2 Boosting回归技术  23-25
    3.3.3 高斯过程的Boosting方法  25-27
  3.4 Boosting回归在停车系统上的应用及试验  27-31
  3.5 总结及展望  31-33
4 Regret与投资组合  33-44
  4.1 投资组合简介  33-34
  4.2 在线投资组合算法  34-37
    4.2.1 权重学习策略  34-36
    4.2.2 趋势预测策略  36-37
  4.3 改进的CorrReg算法  37-40
    4.3.1 动机  37
    4.3.2 CorrReg算法  37-40
  4.4 试验  40-41
  4.5 总结及展望  41-44
参考文献  44-48
致谢  48-49
科研成果:论文及专利  49-50

在线学习及其在智能交通与金融工程中的应用

内容摘要

全文目录

相似论文