本文結合現(xiàn)代民航運輸?shù)男枰?在深入分析航段運量的特點及比較幾種航段運量預測方法的基礎上,進一步研究了利用支持向量機方法對航段運量進行預測,并結合實際情況,對其進行了改進優(yōu)化。首先,本文較系統(tǒng)的分析并比較了傳統(tǒng)運量預測算法的特點,對其適用范圍和程度進行了探索,進一步研究了熵權系數(shù)法和BP神經(jīng)網(wǎng)絡算法的改進算法,并對熵權系數(shù)法進行了模擬試驗;接著,詳細闡述了支持向量機理論的基礎和支持向量機原理,推導了最小二乘支持向量機的算法,重點研究描述了貝葉斯框架下的支持向量機模型;最后,本文探討了支持向量機預測模型的建模方法,包括核函數(shù)的選擇、模型參數(shù)選擇算法的改進、學習算法的改進等,建立了支持向量機預測模型。本文將支持向量機預測模型改進應用于“航班優(yōu)化與航線經(jīng)濟分析”系統(tǒng)中進行航段運量的預測,分析了建立的支持向量機預測模型的不足,指出了模型改進的方法。 

【文章來源】：南京航空航天大學江蘇省 211工程院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

模擬結果顯示圖

圖 2. 5 經(jīng)驗風險和期望風險關系學習能力和 VC 維程一致收斂的速度和推廣性，統(tǒng)計學習理論定義，其中最重要的是 VC 維(Vapnik-Chervonenkis D直觀定義是：在使用某個指示函數(shù)集(兩類分類函數(shù)的樣本集以任何可能的 2k 種形式分成兩類，都能該指示函數(shù)集的 VC 維就是用它能夠打散的最大的樣本都有函數(shù)能將它們打散，則函數(shù)集的 VC 維數(shù)集的學習能力，VC 維越大則學習機器越復雜。VC 維計算的理論，只是對一些特殊的函數(shù)集知道其性分類器和線性實函數(shù)的 VC 維是 n+l。對于一些與函數(shù)集有關外，還與學習算法有關，因此 VC 維的集，如何用理論或實驗的方法計算其 VC 維是當題[26]。最小化

于一個特定的問題，當樣本數(shù)目固定時，學習機器的 VC險越小，但置信范圍會越大，導致真實風險與經(jīng)驗風險出現(xiàn)過學習現(xiàn)象的原因。機器學習過程不但要使經(jīng)驗風險量小以縮小置信范圍，才能取得較小的實際風險。ERM 原則在樣本有限時是不合理的，需要同時最小化經(jīng)傳統(tǒng)方法中，選擇學習模型和算法的過程就是調整置信范合現(xiàn)有的訓練樣本(相當于 h/n 值適當)，則可以取得比較導，這種選擇只能依賴先驗知識和經(jīng)驗，造成了如神經(jīng)網(wǎng)分依賴。論提出了新的策略，即結構風險最小化(Structural Risk M結構風險最小化原則的主要思想是可用圖 3.1 表示：把集的序列，各個子集按照 VC 維的大小依次排列，這樣同；在每個子集中尋找最小經(jīng)驗風險，在各個子集間同時從而選出使得實際風險最小的函數(shù)。如圖 2.6 所示。統(tǒng)計子集結構應滿足的條件及在 SRM 準則下實際風險收斂的

【參考文獻】：
期刊論文
[1]熵權系數(shù)法的理論建模分析與并行實現(xiàn)[J]. 鄭曉薇,樊華,武亮亮.  小型微型計算機系統(tǒng). 2007(10)
[2]基于貝葉斯框架下LS-SVM的時間序列預測模型[J]. 李正欣,趙林度.  系統(tǒng)工程理論與實踐. 2007(05)
[3]支持向量機在航空運輸量預測中的應用[J]. 黃文強.  計算機工程. 2005(S1)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡的混沌時間序列預測模型研究[D]. 陳敏.中南大學 2007



本文編號：2902399