导读:本文包含了模糊支持向量回归论文开题报告文献综述及选题提纲参考文献，主要关键词:WT-FIG-SVR模型,FIG-SVR模型,支持向量回归
模糊支持向量回归论文文献综述
李晓新,张屹山[1]（2019）在《基于小波变换的模糊信息粒化支持向量回归模型及其应用研究》一文中研究指出本文将小波变换、模糊信息粒化、交叉验证以及支持向量回归等方法组合在一起,构建出基于小波变换的模糊信息粒化支持向量回归(WT-FIG-SVR)模型。首先,该模型通过小波变换对时间序列进行降噪处理,有效地改善了数据的不稳定和失真问题。然后,对模糊后的数据进行支持向量回归,并运用五折交叉验证方法隔点搜索最优参数,避免过度拟合的发生。由于数据处理中运用了模糊算法,新组合模型不仅可以对未来数据进行点估计,而且可以计算出未来的区间估计。通过对上证指数的实证分析,比较WT-FIG-SVR新模型与FIG-SVR原模型的预测效果,结果证明加入小波变换的新模型具有更强的预测能力,特别是在数据出现剧烈波动时,新模型对预测精度的提升更为明显。(本文来源于《数量经济研究》期刊2019年04期）
熊中刚,刘忠,罗素莲[2]（2019）在《基于模糊加权最小二乘支持向量回归的非线性系统建模方法》一文中研究指出针对非线性系统建模时边界数据会产生较大的建模偏差、数据计算负荷大以及如何从数据集中选取K个近邻点才能保证其性能缺乏统一标准等问题,提出了基于模糊加权最小二乘支持向量回归的非线性系统建模方法。该方法融合了模糊加权机理与最小二乘支持向量回归的优点,通过引入重迭因子,在保证建模精度(均方根误差越小越好)的情况下,去除建模过程中的一些非重要数据,减小建模方法的运算时间,并能将全局与局部建模方法相融合有效解决局部建模方法所产生的边界效应问题。实验验证结果表明,分别对几种方法从训练/测试均方根误差、不同重迭因子、计算时间方面比较都有明显的有效性和优越性。(本文来源于《探测与控制学报》期刊2019年05期）
申航杰,琚生根,孙界平[3]（2019）在《基于模糊聚类和支持向量回归的成绩预测》一文中研究指出现有的成绩预测模型往往过度使用不同类型的属性,导致过于复杂的分数预测方法,或是需要人工参与.为提高学生成绩预测的准确率和可解释性,提出了一种融合模糊聚类和支持向量回归的成绩预测方法.首先引入模糊逻辑来计算隶属度矩阵,根据学生的历史成绩进行聚类,随后对每个聚类簇利用支持向量回归理论对成绩轨迹进行拟合建模.此外,结合学生学习行为等相关属性,对最终的预测结果做调整.在多个基准数据集上进行了实验测试,验证了该方法的有效性.(本文来源于《华东师范大学学报(自然科学版)》期刊2019年05期）
王定成,陆一祎,邹勇杰[4]（2019）在《多输出直觉模糊最小二乘支持向量回归算法》一文中研究指出支持向量机回归是一种重要的机器学习算法,虽然已成功应用于多个领域,但针对复杂系统,单输出支持向量回归算法的训练时间过长并且缺乏实用性。多输出直觉模糊最小二乘支持向量回归(Intuitionistic Fuzzy Least Squares Support Vector Regression,IFLS-SVR)在多输出支持向量机的基础上引入了直觉模糊,解决了不确定多输出复杂系统问题,减少了训练时间。生活中复杂的多输出模型更为常见,文中在传统支持向量回归的基础上对其进行改进,提出多输出IFLS-SVR模型。多输出IFLS-SVR采用直觉模糊算法将实际数据转化为模糊数据,将二次规划优化问题转化为求解一系列线性方程组。与现有的模糊支持向量回归相比,多输出IFLS-SVR采用直觉模糊方法来计算隶属度函数,采用最小二乘法提高了算法的训练效率,减少了训练时间,获得了更精确的解。仿真结果表明,与其他方法相比,多输出IFLS-SVR取得了较好的效果。最后将多输出IFLS-SVR模型应用于复杂的风速风向预测,也取得了较好的效果。(本文来源于《计算机科学》期刊2019年05期）
郑明,李娌芝,官心果,杨柱元[5]（2018）在《基于模糊信息粒化和支持向量机的股票价格回归预测》一文中研究指出对股票进行投资时,由于股票数据具有较大的不稳定性,往往大多数时候无法对其进行精确的预测,而对其变化趋势和变化空间进行预测尤为重要,当利用支持向量机对股票数据进行回归预测时,只能得到具体点的预测值,不能预测股票数据短期的变化趋势,因此本文将模糊信息粒化和支持向量机相结合,对股票数据未来5天的变化趋势进行了预测研究,实验表明该方法具有理想的效果.(本文来源于《云南民族大学学报(自然科学版)》期刊2018年06期）
陆一祎[6]（2018）在《模糊多输出最小二乘支持向量机的分类与回归研究》一文中研究指出机器学习已经成为现时代的热门研究课题。机器学习方法中基于统计学习理论的支持向量机(SVM),可以较好地解决小样本、非线性和局部极小点等实际问题。但是在SVM的训练过程中存在着噪声和孤立点的问题和学习时间较长等问题。本文提出模糊最小二乘支持向量机(FLS-SVM)和多输出直觉模糊最小二乘支持向量回归(IFLS-SVR)尝试解决这些问题,并将多输出直觉模糊最小二乘支持向量回归应用于风气象预测。为了提高SVM的训练效率,减小训练时间,对SVM的约束条件和目标函数做了改进,引进最小二乘法,得到最小二乘支持向量机(LS-SVM);为解决支持向量回归模型中噪声和野点的问题,提出了一种基于模糊理论的模糊最小二乘支持向量机分类算法。提出一种改进的隶属度计算方法,不仅考虑了样本点与类中心的距离,还考虑了样本点与分类面的距离。并且用蝙蝠算法对核函数的参数进行优化,改进算法的局限性及缺点。通过人工数据集的实验结果表明,FLS-SVM算法具有很好的分类性能,对于随机噪声也具有很好的鲁棒性。多输出直觉模糊最小二乘支持向量回归在多输出支持向量机的基础上引入直觉模糊,解决不确定多输出复杂系统问题,与传统模糊支持向量回归相比,除包含模糊隶属度外还包含非模糊隶属度的更接近于实际的模型。多输出IFLS-SVR采用直觉模糊算法将实际数据转化为模糊数据,将二次规划优化问题转化为求解一系列线性方程组。与现有的模糊支持向量回归相比,多输出IFLS-SVR采用直觉模糊方法来计算隶属度函数,采用最小二乘法提高算法的训练效率,减少训练时间,获得更精确的解。通过仿真模型,与其他方法相比,多输出IFLS-SVR取得了较好的效果。将多输出直觉模糊最小二乘支持向量回归应用于复杂风气象预测。通过计算风气象的关联度,选取关联度相对较大的影响因子,与风速、风向组成多元时间序列,从多元时间序列中提取相关数据,建立预测模型并进行实验,得到了较好的预测结果。(本文来源于《南京信息工程大学》期刊2018-06-01）
唐辉军,杨志民[7]（2018）在《一种模糊最小二乘孪生支持向量回归机的改进算法》一文中研究指出模糊最小二乘孪生支持向量机模型融合了模糊函数和最小二乘孪生支持向量机算法特性,以解决训练数据集存在孤立点噪声和运算效率低下问题。针对回归过程基于统计学习结构风险最小化原则,对该模型进行L_2范数正则化改进。考虑到大规模数据集的训练效率问题,对原始模型进行了L_1范数正则化改进。基于增量学习特性,对数据集训练过程进行增量选择迭加以加快训练速度。在UCI数据集上验证了相关改进算法的优越性。(本文来源于《计算机应用与软件》期刊2018年04期）
王坤,员晓阳,王力[8]（2016）在《基于改进模糊支持向量回归模型的机场能源需求预测》一文中研究指出针对离群点在机场能源数据的预测和分析中存在干扰等问题,建立了一种基于改进模糊支持向量回归(FSVR)的机场能源需求预测模型。首先,采用模糊统计法对测试样本集、系统参数和模型输出进行分析,推导出符合其数据分布的基本隶属函数形式;其次,结合例证法、专家经验法对隶属函数进行"再学习",逐步修改和完善正态隶属函数a、b参数值,半梯形隶属函数边界参数值及叁角隶属函数p、d参数值,以此消除或减少不利数据挖掘的离群点,同时保留有效关键点;最后,结合支持向量回归(SVR)算法,建立预测模型,并验证了该模型的可行性。实验结果表明,与反向传播(BP)神经网络方法相比,FSVR方法的预测准确率提高了2.66%,对离群点的识别率提高了3.72%。(本文来源于《计算机应用》期刊2016年05期）
王珏,乔建忠,林树宽,罗海艳[9]（2016）在《基于综合隶属度函数的模糊支持向量回归机》一文中研究指出针对金融时间序列一般具有非线性、非平稳性、高信噪比和有限样本等特点,将模糊支持向量回归机引入到金融时间序列预测中.设计一种综合模糊隶属度函数,充分考虑到叁点:第一噪音会导致错误的回归;第二越靠近预测点的样本对回归的影响越大;第叁,离回归线越远的样本,对回归的贡献越大.综合隶属度函数,尽量剔除噪音并给离回归线远的和靠近预测点的样本较大的权值.将采用综合隶属度函数的模糊支持向量回归机应用于羊绒价格序列中,仿真结果表明,本文的基于综合隶属度函数的模糊支持向量回归机在预测精度上有所提高.(本文来源于《小型微型计算机系统》期刊2016年03期）
舒坚,汤津,刘琳岚,胡刚,刘松[10]（2015）在《基于模糊支持向量回归机的WSNs链路质量预测》一文中研究指出在无线传感器网络中,链路是实现节点互连和多跳通信的基本元素,链路质量是拓扑控制、路由协议和移动管理的基础,准确的链路质量预测不仅可以提高整个网络的数据吞吐率,降低节点能耗,还可延长整个网络的工作时间.在分析现有链路质量预测方法的基础上,提出一种基于模糊支持向量回归机(fuzzy support vector regression,FSVR)的链路质量预测模型,以降低噪声与孤立点对预测性能的影响.通过收集不同场景下的链路质量样本,考虑不稳定链路中数据分布的特点,该模型采用无监督模糊核聚类算法(kernel fuzzy c-means,KFCM)自动划分样本集,并获得样本隶属度;采用混沌粒子群优化算法(chaos particle swam optimization,CPSO)选择子模型参数.实验结果表明,与基于经验风险的BP神经网络相比,基于模糊支持向量回归机的链路质量预测模型具有更好的预测精度和泛化能力.(本文来源于《计算机研究与发展》期刊2015年08期）
模糊支持向量回归论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对非线性系统建模时边界数据会产生较大的建模偏差、数据计算负荷大以及如何从数据集中选取K个近邻点才能保证其性能缺乏统一标准等问题,提出了基于模糊加权最小二乘支持向量回归的非线性系统建模方法。该方法融合了模糊加权机理与最小二乘支持向量回归的优点,通过引入重迭因子,在保证建模精度(均方根误差越小越好)的情况下,去除建模过程中的一些非重要数据,减小建模方法的运算时间,并能将全局与局部建模方法相融合有效解决局部建模方法所产生的边界效应问题。实验验证结果表明,分别对几种方法从训练/测试均方根误差、不同重迭因子、计算时间方面比较都有明显的有效性和优越性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊支持向量回归论文参考文献
[1].李晓新,张屹山.基于小波变换的模糊信息粒化支持向量回归模型及其应用研究[J].数量经济研究.2019
[2].熊中刚,刘忠,罗素莲.基于模糊加权最小二乘支持向量回归的非线性系统建模方法[J].探测与控制学报.2019
[3].申航杰,琚生根,孙界平.基于模糊聚类和支持向量回归的成绩预测[J].华东师范大学学报(自然科学版).2019
[4].王定成,陆一祎,邹勇杰.多输出直觉模糊最小二乘支持向量回归算法[J].计算机科学.2019
[5].郑明,李娌芝,官心果,杨柱元.基于模糊信息粒化和支持向量机的股票价格回归预测[J].云南民族大学学报(自然科学版).2018
[6].陆一祎.模糊多输出最小二乘支持向量机的分类与回归研究[D].南京信息工程大学.2018
[7].唐辉军,杨志民.一种模糊最小二乘孪生支持向量回归机的改进算法[J].计算机应用与软件.2018
[8].王坤,员晓阳,王力.基于改进模糊支持向量回归模型的机场能源需求预测[J].计算机应用.2016
[9].王珏,乔建忠,林树宽,罗海艳.基于综合隶属度函数的模糊支持向量回归机[J].小型微型计算机系统.2016
[10].舒坚,汤津,刘琳岚,胡刚,刘松.基于模糊支持向量回归机的WSNs链路质量预测[J].计算机研究与发展.2015
标签：WT-FIG-SVR模型; FIG-SVR模型; 支持向量回归;