【摘要】：大數(shù)據(jù)量、復雜數(shù)據(jù)結(jié)構(gòu)、高維數(shù)據(jù)屬性及復雜時變特征是大數(shù)據(jù)時代數(shù)據(jù)集的主要特點,面對這些復雜數(shù)據(jù)集,如何有效地選擇信息變量、從中挖掘出關鍵的數(shù)據(jù),并用其推斷事物的未來發(fā)展,成為了一個至關重要的研究課題.本文圍繞復雜數(shù)據(jù)的變量選擇和預測等問題,從模型建立、算法設計和理論分析等方面進行了系統(tǒng)性的研究,并將相關算法應用到模擬數(shù)據(jù)集和工程領域的一些真實公開數(shù)據(jù)集中.本文的具體研究成果和創(chuàng)新點如下:1、針對高度相關性等復雜數(shù)據(jù)特征,本文首先研究了在該復雜數(shù)據(jù)特征下線性回歸模型的變量選擇問題,利用集成學習和信息理論,提出了一種有效的隨機相關系數(shù)算法.其次,構(gòu)建了一種變量選擇集成方法,并給出了相關性度量分析、收斂性分析和三類變量選擇的性能分析定理.最后,數(shù)值模擬實驗表明提出的算法可以更有效地選擇相關變量、排除無關變量、控制冗余變量,并進行了樣本量影響分析和實際案例實驗.2、針對高度相關、非線性等復雜數(shù)據(jù)特征,本文研究了在該復雜數(shù)據(jù)特征下非線性回歸模型的變量選擇問題.因為非線性回歸模型的函數(shù)形式不易獲取,本文著重討論不依賴回歸方程的變量選擇準則,利用熵、互信息理論,提出了一種新穎的最大相關-最小共同冗余準則.基于該準則,本文進一步提出了一種有效的變量選擇算法.該算法能有效地處理無模型假設的變量選擇問題,同時也給出了相關性度量分析、算法性能分析定理.數(shù)值模擬實驗中,這一算法被應用到含冗余特征的非線性問題、含高相關特征的非線性問題中,均可有效識別三類變量;另外,這一算法也被應用到Boston Housing等實際案例.通過模型對比實驗,驗證了該模型的優(yōu)越性和有效性.3、針對非線性、大樣本、不平衡等復雜數(shù)據(jù)特征,本文研究了在該復雜數(shù)據(jù)特征下支持向量回歸預測方法的問題.在支持向量回歸(SVR)的建模過程中,“支持向量”候選數(shù)據(jù)選擇和模型參數(shù)選擇是緊密關聯(lián)的,兩者會直接決定SVR模型的運行效率.本文在SVR理論的基礎上,對大樣本下的SVR學習問題進行建模,并利用統(tǒng)計學習理論、信息理論和啟發(fā)式優(yōu)化算法,提出了一種改進的支持向量回歸預測模型.該算法能有效地結(jié)合訓練數(shù)據(jù)選擇和模型選擇,并給出了收斂性分析定理.在此基礎上,針對SVR的模型選擇問題,利用序貫分析方法,提出了一種基于序貫網(wǎng)格方法的SVR模型.本算法在數(shù)值模擬實驗中取得了很好的效果,在實際電網(wǎng)案例應用中也取得了良好的效果.通過模型對比實驗,驗證了該模型能嵌套地獲取最優(yōu)訓練數(shù)據(jù)子集和模型參數(shù).本文從復雜數(shù)據(jù)的內(nèi)在關聯(lián)結(jié)構(gòu)出發(fā),利用抽樣技術、集成學習等統(tǒng)計機器學習方法,從線性和非線性模型兩個方面分別建立基于數(shù)據(jù)驅(qū)動的變量選擇與預測方法,并將其應用于工業(yè)領域的一些公開數(shù)據(jù)集和電網(wǎng)管理等實際案例中.研究成果適用于無先驗模型結(jié)構(gòu)的學習問題,并為復雜數(shù)據(jù)的運營分析提供理論基礎.
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP311.13

【相似文獻】

相關期刊論文 前10條

1 牟建波;劉峧;;基于懲罰方法的貝葉斯群組變量選擇[J];綿陽師范學院學報;2017年02期

2 戴伯新;;回歸變量選擇中的數(shù)據(jù)診斷[J];應用概率統(tǒng)計;1992年04期

3 王銀輝;徐文科;;基于風險函數(shù)評價自變量選擇對預測的影響[J];哈爾濱師范大學自然科學學報;2012年01期

4 張春霞;李俊麗;;變量選擇集成方法[J];工程數(shù)學學報;2019年01期

5 李太福;易軍;蘇盈盈;胡文金;余春嬌;;基于特征子空間虛假鄰點判別的軟傳感器模型變量選擇[J];機械工程學報;2011年12期

6 張慶;李云霞;;函數(shù)型變量選擇法用于空氣質(zhì)量影響因素實證分析[J];安慶師范大學學報(自然科學版);2017年04期

7 李揚;許文甫;馬雙鴿;;污染數(shù)據(jù)的穩(wěn)健稀疏成組變量選擇方法研究[J];統(tǒng)計與信息論壇;2018年06期

8 徐安察;王瑋明;;應用統(tǒng)計類專業(yè)探究性教學模式探索與實踐——以變量選擇準則為例[J];赤峰學院學報(自然科學版);2014年19期

9 楊紅;陳德棉;;個人住房抵押貸款違約相關變量選擇[J];現(xiàn)代管理科學;2009年04期

10 鐘先樂;樊亞莉;張?zhí)教?;基于t函數(shù)的穩(wěn)健變量選擇方法[J];上海理工大學學報;2017年06期

相關會議論文 前10條

1 張俊華;方偉武;;調(diào)查表分析中變量選擇的一些方法(英文)[A];中國運籌學會第六屆學術交流會論文集（下卷）[C];2000年

2 李慷;席裕庚;;復雜過程系統(tǒng)中操作變量選擇與定位的方法研究[A];1993年控制理論及其應用年會論文集[C];1993年

3 羅榮富;邵惠鶴;;推斷控制中二次變量選擇方法的研究[A];1992年中國控制與決策學術年會論文集[C];1992年

4 徐登;范偉;梁逸曾;;紫外光譜結(jié)合變量選擇和偏最小二乘回歸同時測定水中重金屬鎘、鋅、鈷[A];中國化學會第29屆學術年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

5 曹磊;叢培盛;;偏相關系數(shù)矩陣方法用于煙草質(zhì)量控制的變量選擇[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

6 梁逸曾;李洪東;許青松;曹東升;張志敏;;灰色化學建模與模型集群分析——兼論過擬合、穩(wěn)健估計、變量選擇與模型評價[A];中國化學會第27屆學術年會第15分會場摘要集[C];2010年

7 李洪東;梁逸曾;;高維數(shù)據(jù)變量選擇新方法研究[A];中國化學會第27屆學術年會第15分會場摘要集[C];2010年

8 劉咸姝;潘日芳;;滿意控制結(jié)構(gòu)綜合的專家系統(tǒng)[A];1996年中國智能自動化學術會議論文集（上冊）[C];1996年

9 范偉;李洪東;梁逸曾;;近紅外光譜結(jié)合CARS變量選擇方法用于食醋中總酸的測定[A];中國化學會第28屆學術年會第9分會場摘要集[C];2012年

10 張俊華;;南水北調(diào)一中線調(diào)水區(qū)域內(nèi)降水的時空變化規(guī)律的分析研究[A];面向復雜系統(tǒng)的管理理論與信息系統(tǒng)技術學術會議專輯[C];2000年

相關博士學位論文 前10條

1 車金星;復雜數(shù)據(jù)的變量選擇與預測方法研究[D];西安電子科技大學;2019年

2 初一;若干模型下的變量選擇和特征篩選[D];山東大學;2018年

3 王延新;高維模型的變量選擇與稀疏正則化[D];武漢大學;2013年

4 李子林;高維基因數(shù)據(jù)中的統(tǒng)計方法[D];清華大學;2016年

5 唐凱臨;變量選擇和變換的新方法研究[D];同濟大學;2008年

6 秦志敏;我國上市公司財務預警變量選擇研究[D];東北財經(jīng)大學;2012年

7 袁晶;貝葉斯方法在變量選擇問題中的應用[D];山東大學;2013年

8 姬永剛;分位數(shù)回歸中的貝葉斯變量選擇[D];東北師范大學;2012年

9 趙軍;Expectile回歸和最優(yōu)資產(chǎn)組合中的變量選擇問題[D];浙江大學;2017年

10 蘇盈盈;基于核方法的非線性系統(tǒng)變量選擇及其應用[D];重慶大學;2014年

相關碩士學位論文 前10條

1 葉忠昌;自變量向量多元混合正態(tài)分布假設下基于分布加權最小二乘的變量選擇[D];云南財經(jīng)大學;2019年

2 聶明鵬;基于排序差異和算法對光譜變量選擇與定性分析的研究[D];溫州大學;2019年

3 李丹丹;變量選擇方法在復雜群組數(shù)據(jù)中的研究及應用[D];廣西大學;2019年

4 賈易;加法風險模型下關于右刪失生存數(shù)據(jù)的變量選擇方法的研究[D];華中師范大學;2019年

5 王蕭博;基于調(diào)整秩回歸的EXP型組變量選擇[D];曲阜師范大學;2019年

6 劉超;基于Adaptive Group Bridge的穩(wěn)健變量選擇[D];曲阜師范大學;2019年

7 陸琦;零過多數(shù)據(jù)基于懲罰回歸的變量選擇[D];南京師范大學;2019年

8 胡婧;對數(shù)Birnbaum-Saunders回歸模型的變量選擇[D];南京師范大學;2019年

9 何琪琪;帶測量誤差的可加模型的變量選擇[D];廈門大學;2018年

10 胡蓉;基于隨機Lasso的Meta分析[D];北京建筑大學;2019年

，

本文編號：2621830