小波支持向量回歸模型及其應用研究.pdf

1、作為結構風險最小化準則的具體實現(xiàn)，支持向量機具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點，近幾年得到了廣泛的研究。本文仔細研究了支持向量機理論，并針對目前一些支持向量機算法存在的缺陷，分析了產生的原因，給出兩種新的支持向量機算法。本文著重就支持向量機的核函數(shù)選擇和構造問題進行了研究，將小波分析與支持向量機相結合構造出四種不同類型的支持向量機模型。本文主要工作包括： (1)對非平穩(wěn)信號進行處理時，信號細微特征的提取非常關鍵。論文嘗試將

2、小波技術和核函數(shù)方法相結合，用于處理這類信號。對采用小波基構建核函數(shù)的可行性進行了探討，在支持向量機線性規(guī)劃算法的基礎上，探討了小波基核函數(shù)的構建方法，構造出三種核機器模型，并作了實例仿真。仿真實驗表明，本文構造的三種核函數(shù)表現(xiàn)出良好的性能，它們都優(yōu)于常規(guī)的RBF核和多項式核，初步展示出該方法的可行性和優(yōu)越性。 (2)作為SVM算法基礎的VC維理論和結構風險最小化原則為進一步完善傳統(tǒng)的統(tǒng)計預測方法和經(jīng)驗非線性預測方法提供了理論基

3、礎和統(tǒng)一的理論框架。論文在此框架下重新構建預測方法，進一步發(fā)展和完善SVM算法，結合Hilbert空間再生性理論，在Hilbert空間中構造出再生核，并將其應用于交通流量的預測中，在提高泛化性和推廣能力方面體現(xiàn)出這種核函數(shù)的優(yōu)越性。 (3)針對異步電機這種典型的非線性系統(tǒng)，其本身的參數(shù)辨識和相應控制器參數(shù)的自整定都是非常棘手的問題。而在線學習機器實現(xiàn)異步電機控制時，在待學習的參數(shù)較多時，存在優(yōu)化時間過長、效率過低，不利于工程應用