基于matlab的svr回歸模型的設(shè)計(jì)與實(shí)現(xiàn)畢業(yè)論文-展示頁
2025-07-03 15:35本頁面
【正文】 法實(shí)際中表現(xiàn)卻可能不盡人意。SVM已經(jīng)成為目前國內(nèi)外研究的熱點(diǎn)。支持向量機(jī)（ SVM ）是一種比較好的實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想的方法。 Kernel Function。 線性判別ABSTRACTSupport vector machine (SVM) is a new method of study based on statistical learning theory which has attracted extensive attentions by academic circles both at home and abroad in recent years. It has been widely used in pattern recognition and function estimation. The biggest characteristic of support vector machine (SVM) theory is that a small error limited by the training set of sample can ensure the independent test set’s small error. Thus a support vector regression (SVR) forecasting model can be built by support vector machine (SVM) theory and it can solve various practical problems.SVR algorithm model is one of pattern recognition algorithm, which is more widely used in approximation of function and the application of the regression estimate. In the SVR regression analysis, using support vector machine (SVM) can smooth regression function as far as possible. Its generalization ability is strong.This paper discusses the basic principle of support vector regression and introduces support vector regression algorithm and several mon kernel functions (the linear kernel, polynomial kernel and radial basis function (RBF) kernel, the Gaussian kernel etc.). This essay successfully makes these functions work: the creation of data sets, the selection of kernel function, parameter settings, return of the training set, the preservation and open of the data set. We acplish the return of input of data set through the selection of different kernel functions and the setting of corresponding parameter. This model is mainly to solve the nonlinear regression model prediction. Then, the same issue is done through the experiment to change the values of different parameters, and the statistics, the number of support vector regression， performance of program running time are accounted. Finally, we have analysis the results of regression and gained the influence of various parameters on the return performance.Key words: Support Vector Regression。 訓(xùn)練算法。最后對回歸的結(jié)果進(jìn)行分析，得出各參數(shù)對回歸性能的影響。此模型主要解決非線性回歸模型的預(yù)測。本設(shè)計(jì)主要實(shí)現(xiàn)的功能有：數(shù)據(jù)集的創(chuàng)建、內(nèi)核函數(shù)的選取、參數(shù)的設(shè)置、訓(xùn)練集的回歸、數(shù)據(jù)集的保存與打開。在SVR回歸分析中，使用支持向量機(jī)可以使回歸函數(shù)盡量平滑，其泛化能力強(qiáng)。從而通過支持向量機(jī)(SVM)理論,可以建立支持向量回歸(SVR)預(yù)測模型，以解決各種實(shí)際問題?；贛ATLAB的SVR回歸模型的設(shè)計(jì)與實(shí)現(xiàn)The Design and Implementation of SVR Regression Model Based on MATLAB 摘 要 支持向量機(jī)是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的學(xué)習(xí)方法，近年來受到了國內(nèi)外學(xué)術(shù)界的廣泛重視，并已在模式識別和函數(shù)估計(jì)中得到廣泛應(yīng)用。支持向量機(jī)理論的最大特點(diǎn)是由有限的訓(xùn)練集樣本得到的小的誤差保證對獨(dú)立的測試集仍保持小的誤差?！ VR算法是模式識別中應(yīng)用比較廣泛的算法模型之一，它是支持向量機(jī)在函數(shù)逼近和回歸估計(jì)中的應(yīng)用?！ ”疚恼撌隽酥С窒蛄炕貧w的基本原理和思想，介紹了支持向量回歸算法以及所用到的幾種常見的核函數(shù)（即線性內(nèi)核、多項(xiàng)式內(nèi)核、徑向基函數(shù)內(nèi)核、高斯內(nèi)核）。通過不同核函數(shù)的選取以及相應(yīng)參數(shù)的設(shè)置對輸入數(shù)據(jù)集進(jìn)行回歸。通過實(shí)驗(yàn)改變各個參數(shù)的不同取值對訓(xùn)練集進(jìn)行回歸，并分別統(tǒng)計(jì)出支持向量的個數(shù)，回歸性能，程序運(yùn)行時間。關(guān)鍵詞：支持向量回歸。 核函數(shù)。 Training Algorithms。 Linear Discrimination Analysis目 錄第1章 緒論 1 課題研究背景 1 國內(nèi)外研究現(xiàn)狀 1 課題研究目的 2 課題研究使用的開發(fā)工具 3 3第2章 支持向量機(jī)回歸原理 5 支持向量機(jī) 5 支持向量回歸 5 回歸初步形式 5 線性支持向量回歸 6 非線性支持向量回歸 6 7 支持向量回歸算法 8 支持向量回歸的算法的基礎(chǔ) 8 回歸算法 10 關(guān)于算法的幾點(diǎn)說明 11第3章 基于Matlab實(shí)現(xiàn)SVR的總體設(shè)計(jì) 13 總體設(shè)計(jì)思想 13 功能模塊的劃分及相關(guān)流程圖 13 主要功能模塊的劃分 13 實(shí)現(xiàn)程序的主要框架圖 13 支持向量回歸模型的流程圖 14第4章 基于支持向量回歸模型的實(shí)現(xiàn) 16 16 運(yùn)行結(jié)果 17 主界面 17 功能描述界面 17 18 命令窗口的顯示結(jié)果 244. 3系統(tǒng)的性能分析及結(jié)論 24第5章 總結(jié) 27致 謝 28參考文獻(xiàn) 29第1章緒論第1章 緒論支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出的一種新的學(xué)習(xí)方法。它的優(yōu)點(diǎn)是理論完備、訓(xùn)練時間短、全局優(yōu)化強(qiáng)、適應(yīng)性好、泛化性能好等。本課題研究的SVR是支持向量機(jī)在函數(shù)回歸中的應(yīng)用。 與傳統(tǒng)統(tǒng)計(jì)學(xué)相比，統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory或SLT）. Vapnik等人從六、七十年代開始致力于此方面研究，到九十年代中期，隨著其理論的不斷發(fā)展和成熟，也由于神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法在理論上缺乏實(shí)質(zhì)性進(jìn)展，統(tǒng)計(jì)學(xué)習(xí)理論開始受到越來越廣泛的重視。通過結(jié)果風(fēng)險(xiǎn)最小化準(zhǔn)則和核函數(shù)方法，較好地解決了模式分類器復(fù)雜性核推廣性之間的矛盾，引起了模式識別領(lǐng)域
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1