【摘要】：針對支持向量機(jī)(support vector machine,SVM)預(yù)測過程中影響因素選擇、輸入特征集優(yōu)化、核函數(shù)選擇及參數(shù)優(yōu)化方面存在的問題,提出了一種全過程優(yōu)化方法。首先使用頻繁模式增長關(guān)聯(lián)規(guī)則分析和模糊貝葉斯網(wǎng)絡(luò)組合模型來解決影響因素選擇中存在的主觀性問題,然后使用在異常值處理和類內(nèi)距離與類間距離方面進(jìn)行改進(jìn)的模糊C均值聚類算法優(yōu)化輸入特征集,減小支持向量機(jī)預(yù)測模型冗余度及訓(xùn)練樣本集過修正度,通過比較各核函數(shù)的特點(diǎn)選擇徑向基核函數(shù)作為SVC的核函數(shù),改進(jìn)了粒子群優(yōu)化算法中微粒速度和位置函數(shù)及慣性權(quán)重值算法,使用該方法優(yōu)化SVM參數(shù)并建立預(yù)測模型。最后,通過案例運(yùn)算和分析,證明該文方法具有更高的預(yù)測精度。
[Abstract]:Aiming at the problems of factors selection, input feature set optimization, kernel function selection and parameter optimization in the prediction process of support vector machine (support vector machine,SVM), a full process optimization method is proposed. Firstly, we use frequent pattern growth association rule analysis and fuzzy Bayesian network combination model to solve the subjective problem in the choice of influencing factors. Then the input feature set is optimized by using the improved fuzzy C-means clustering algorithm in the aspects of outlier processing and the distance between classes and intra-class distance. The redundancy of SVM prediction model and the over-correction of training sample set are reduced. By comparing the characteristics of each kernel function, the radial basis function is selected as the kernel function of SVC. The particle velocity and position function and inertial weight value algorithm in particle swarm optimization algorithm are improved. The SVM parameters are optimized and the prediction model is established by using this method. Finally, it is proved that the proposed method has higher prediction accuracy by case analysis.
【作者單位】： 裝甲兵工程學(xué)院技術(shù)保障工程系;中國人民解放軍68207部隊(duì);中國國防科技信息中心;
【基金】：武器裝備預(yù)先研究基金 軍隊(duì)技術(shù)基礎(chǔ)項(xiàng)目(A157167) 軍隊(duì)維修改革科研項(xiàng)目(2012SC49,2014BZ54)資助課題
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報;2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報;2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動語種辨識中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個人信用評估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：2315781