制造系統(tǒng)成品需求短期預(yù)測(cè)實(shí)際上是對(duì)受噪音影響的小樣本多維非線性銷售時(shí)序進(jìn)行預(yù)測(cè)。支持向量機(jī)（SVM）方法已被廣泛應(yīng)用于對(duì)非線性銷售時(shí)序進(jìn)行預(yù)測(cè)研究,并已取得很多成果。因此本文在SVM方法的基礎(chǔ)上,針對(duì)多因素,含噪聲及小樣本這三種情形分別提出了新的求解方法以彌補(bǔ)基本SVM算法的不足之處。首先針對(duì)受多因素影響非線性銷售時(shí)序進(jìn)行預(yù)測(cè)時(shí),本文通過擴(kuò)展高斯（RBF）核函數(shù),得到了一種基于擴(kuò)展的RBF核支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型。然后針對(duì)含噪聲影響非線性銷售時(shí)序進(jìn)行預(yù)測(cè)時(shí),分別從對(duì)不敏感損失函數(shù)ε進(jìn)行迭代和自適應(yīng)分段兩個(gè)方面,重點(diǎn)研究了基于迭代的支持向量機(jī)和具有自適應(yīng)分段損失函數(shù)的支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型。最后,針對(duì)小樣本非線性銷售時(shí)序進(jìn)行預(yù)測(cè)時(shí),通過對(duì)不同樣本點(diǎn)兩兩之間間隔的比對(duì),提出了一種基于樣本點(diǎn)間隔的支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型。同時(shí),設(shè)計(jì)了基于免疫算法的支持向量機(jī)模型參數(shù)辯識(shí)方法,通過與標(biāo)準(zhǔn)支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)模型的比較,驗(yàn)證了本文所提出的短期預(yù)測(cè)模型的有效性。具體說來,主要在如下四個(gè)方面進(jìn)行了研究:（1）針對(duì)制造系統(tǒng)成品銷售時(shí)序具有多維度、非線性的特... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景、意義及國(guó)內(nèi)外現(xiàn)狀
    1.2 常用預(yù)測(cè)模型
        1.2.1 基于回歸分析的預(yù)測(cè)模型
        1.2.2 基于時(shí)間序列分析法的預(yù)測(cè)模型
        1.2.3 基于灰色理論的灰預(yù)測(cè)模型
        1.2.4 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型
        1.2.5 基于支持向量機(jī)的預(yù)測(cè)模型
    1.3 基于支持向量機(jī)的制造系統(tǒng)成品需求短期預(yù)測(cè)
        1.3.1 基于擴(kuò)展的RBF核支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型
        1.3.2 基于迭代的支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型
        1.3.3 基于自適應(yīng)分段損失函數(shù)的支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模
        1.3.4 基于樣本點(diǎn)間隔的支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型
    1.4 本文的結(jié)構(gòu)
第二章 基于擴(kuò)展的RBF核支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型
    2.1 引言
    2.2 擴(kuò)展的RBF核支持向量機(jī)
        2.2.1 v-支持向量機(jī)
        2.2.2 擴(kuò)展的RBF核支持向量機(jī)(ERBF-SVM)
    2.3 免疫算法
        2.3.1 親和力設(shè)計(jì)
        2.3.2 動(dòng)態(tài)繁殖算子
    2.4 應(yīng)用實(shí)例
        2.4.1 參數(shù)設(shè)置
        2.4.2 比較準(zhǔn)則
        2.4.3 實(shí)驗(yàn)結(jié)果
    2.5 本章結(jié)論
第三章 基于迭代的支持向量機(jī)模型的制造系統(tǒng)成品銷售預(yù)測(cè)研究
    3.1 引言
    3.2 ε-支持向量機(jī)
    3.3 迭代支持向量機(jī)(Iε-SVM)
        3.3.1 更新樣本集信息
    3.4 仿真實(shí)驗(yàn)
        3.4.1 數(shù)值算例
        3.4.2 應(yīng)用實(shí)例
    3.5 本章結(jié)論
第四章 基于具有自適應(yīng)分段損失函數(shù)支持向量機(jī)的產(chǎn)品銷售預(yù)測(cè)模型
    4.1 引言
    4.2 自適應(yīng)分段ε支持向量機(jī)(ASε-SVM)模型
        4.2.1 支持向量機(jī)
        4.2.2 自適應(yīng)分段ε支持向量機(jī)(ASε-SVM)
    4.3 分段ε的計(jì)算方法
    4.4 仿真實(shí)驗(yàn)
        4.4.1 數(shù)值算例
        4.4.2 應(yīng)用實(shí)例
    4.5 本章結(jié)論
第五章 基于樣本點(diǎn)間隔的支持向量機(jī)的制造系統(tǒng)成品銷售預(yù)測(cè)模型
    5.1 引言
    5.2 基于樣本點(diǎn)間隔的支持向量機(jī)
        5.2.1 普通支持向量機(jī)模型
        5.2.2 基于樣本點(diǎn)間隔的支持向量機(jī)(IoS-SVM)
    5.3 仿真實(shí)驗(yàn)
        5.3.1 數(shù)值算例
        5.3.2 應(yīng)用實(shí)例
    5.5 本章結(jié)論
第六章 總結(jié)與展望
    6.1 全論文工作總結(jié)
    6.2 需進(jìn)一步研究的問題
    6.3 論文寫作后記
參考文獻(xiàn)
作者簡(jiǎn)介
攻讀博士學(xué)位期間發(fā)表、錄用或投出的學(xué)術(shù)論文
致謝



本文編號(hào)：3200827