| 【中文题名】 | 基于GA参数优化的在线学习SVM算法及其在气象预测中的应用 |
| 【英文题名】 | Online Support Vector Machine with GA-Based-Parameter-Optimization and Its Application to Meteorology Forecasting |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-7 |
| 【中关键词】 | 遗传算法,支持向量机,在线学习,日最高气温,预测, |
| 【英关键词】 | |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
日最高气温是气象的主要特性参数,也是反映气候变化的重要因素之一,做好日最高气温的预测对农业生产和减轻高温灾害具有非常重要的作用。
本文探索了两种利用遗传算法进行参数优化的支持向量机,并将它们应用于气象预报中的日最高气温预测问题,取得了令人满意的结果。
本文在研究了遗传算法和几种支持向量回归机的基础上,提出了基于遗传算法参数优化的支持向量机算法,将其应用到日最高气温的预测问题中。并在实验中探索出一种可以减小训练规模、加快训练速度的数据预处理方法,在文中给与了阐述。经过大量的实验和研究本文提出了改进算法——基于遗传算法参数优化的在线学习支持向量机算法,并以此来求解日最高气温预测问题,取得了较好的效果。在文章的最后,将预测结果与其他预测算法的实验效果进行了对比,数值结果表明了该算法的有效性和算法性能的优越性。 |
| 【论文题纲】 |
|
内容提要 |
4-7 |
|
第一章 绪论 |
7-10 |
|
1.1 研究背景及意义 |
7-8 |
|
1.2 本文主要内容 |
8-10 |
|
第二章 相关算法的理论基础 |
10-30 |
|
2.1 遗传算法简介 |
10-17 |
|
2.1.1 遗传算法的发展历史 |
10-11 |
|
2.1.2 算法简介及特点 |
11-12 |
|
2.1.3 遗传算法的基本概念 |
12-15 |
|
2.1.4 遗传算法的基本步骤 |
15-17 |
|
2.2 统计学习理论 |
17-20 |
|
2.3 支持向量机 |
20-30 |
|
2.3.1 传统LSSVR |
21-24 |
|
2.3.2 增量LSSVR |
24-25 |
|
2.3.3 逆学习算法 |
25-26 |
|
2.3.4 AISVR |
26-30 |
|
第三章 GA-SVM 算法及其在气象预测中的应用 |
30-38 |
|
3.1 基于GA 参数优化的SVM 算法 |
30-34 |
|
3.2 GA-SVM 算法在气象预测中的应用 |
34-38 |
|
3.2.1 气象数据预处理 |
34 |
|
3.2.2 实验过程及结果分析 |
34-36 |
|
3.2.3 改进数据预处理方法后的实验及结果 |
36-38 |
|
第四章 GA-OSVM 算法及其应用 |
38-45 |
|
4.1 基于GA 参数优化的在线学习SVM 算法 |
38-42 |
|
4.2 实验过程及结果分析 |
42-44 |
|
4.2.1 对样本集51的实验 |
42-43 |
|
4.2.2 对样本集52的实验 |
43-44 |
|
4.3 GA-SVM 算法与GA-OSVM 算法比较 |
44-45 |
|
第五章 GA-OSVM 与其他算法比较 |
45-51 |
|
5.1 GA-OSVM 与SVM~(LIGHT)比较 |
45-47 |
|
5.1.1 使用SVM~(light) 求解上述问题 |
45-46 |
|
5.1.2 预测结果比较 |
46-47 |
|
5.2 GA-OSVM 与基于PSO 选择参数的LS-SVM 比较 |
47-51 |
|
5.2.1 粒子群优化算法简介 |
47-48 |
|
5.2.2 基于PSO 选择参数的LS-SVM 算法 |
48-49 |
|
5.2.3 GA-OSVM 与PSO_LS-SVM 预测结果比较 |
49-51 |
|
第六章 结论 |
51-52 |
|
参考文献 |
52-54 |
|
摘要 |
54-57 |
|
ABSTRACT |
57-61 |
|
致谢 |
61-62 |
|
导师及作者简介 |
62 |
|
| 【DOI】 | LunWen.ID:2.2008.388794 |
