| 【中文题名】 | 径向基神经网络和支持向量机的参数优化方法研究及应用 |
| 【英文题名】 | Parameter Optimization Method Research and Application of RBF Neural Network and SVM |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-16 |
| 【中关键词】 | 主成分分析,RBF神经网络,支持向量机,,, |
| 【英关键词】 | PCA,RBF neural network,SVM, |
| 【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>人工神经网络与计算> |
| 【论文摘要】 |
本文主要研究基于主成分分析(Principal Component Analysis，PCA)的径向基(Radial basis Function，RBF)神经网络和支持向量机(Support Vector Machine，SVM)的参数优化方法及其在建筑工程投资估算中的应用。
RBF神经网络是一种基于正则化理论的三层前馈网络，它有很好的泛化能力并且不会陷入局部极小，已证明它能以任意精度逼近任一连续函数。RBF神经网络的关键在于径向基函数中心和宽度的选取。
支持向量机是基于统计学习理论的一种新的模式识别技术，它通过Mercer核函数将原始空间中的非线性问题转化为另一个高维空间中的线性问题，在这个变换的高维空间求最优或广义最优分类面。参数选择是影响支持向量机实用性能的重要因素。
针对RBF神经网络和支持向量机中径向基函数宽度(参数)难以合理确定的难题，本文在分析了以上两种网络中径向基函数宽度确定方法的基础上提出了一种在样本各分量相互独立条件下的参数优化方法，该方法是将样本各分量的方差这一先验信息引入到径向基函数宽度的确定方法中以达到参数优化目的。由于主成分分析可以消除原始样本分... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-8 |
|
第一章 绪论 |
8-13 |
|
1.1 研究背景及选题意义 |
8-9 |
|
1.2 RBF神经网络和支持向量机的发展及研究现状 |
9-11 |
|
1.2.1 RBF神经网络的发展及研究现状 |
9-10 |
|
1.2.2 支持向量机的发展及研究现状 |
10-11 |
|
1.3 课题的研究内容及论文组织 |
11-13 |
|
第二章 主成分分析原理 |
13-18 |
|
2.1 引言 |
13 |
|
2.2 主成分分析的基本思想 |
13-14 |
|
2.3 主成分变换 |
14-16 |
|
2.4 主成分分析 |
16-17 |
|
2.5 本章小结 |
17-18 |
|
第三章 基于主成分分析的RBF神经网络参数优化 |
18-36 |
|
3.1 人工神经网络概述 |
18-20 |
|
3.1.1 人工神经网络的背景及发展 |
18-19 |
|
3.1.2 人工神经网络的特点 |
19-20 |
|
3.2 RBF神经网络模型 |
20-23 |
|
3.2.1 径向基函数 |
20-22 |
|
3.2.2 RBF神经元模型 |
22 |
|
3.2.3 RBF神经网络结构 |
22-23 |
|
3.2.4 RBF神经网络的逼近性能 |
23 |
|
3.3 RBF神经网络的学习算法 |
23-25 |
|
3.3.1 中心的无监督学习算法 |
24 |
|
3.3.2 中心的监督学习算法 |
24-25 |
|
3.4 归一化RBF神经网络 |
25-29 |
|
3.5 RBF神经网络径向基函数宽度的确定方法分析 |
29-31 |
|
3.5.1 几种主要的径向基函数的宽度确定方法分析 |
29-30 |
|
3.5.2 归一化RBF神经网络的径向基函数的宽度确定方法分析 |
30-31 |
|
3.6 基于主成分分析的RBF神经网络参数优化方法及网络建模 |
31-35 |
|
3.6.1 RBF神经网络参数优化方法 |
31-32 |
|
3.6.2 归一化RBF神经网络参数优化方法 |
32-33 |
|
3.6.3 RBF神经网络结构优化方法 |
33-34 |
|
3.6.4 基于主成分分析的RBF神经网络建模 |
34-35 |
|
3.7 本章小结 |
35-36 |
|
第四章 基于主成分分析的支持向量机参数优化 |
36-45 |
|
4.1 支持向量机 |
36-43 |
|
4.1.1 支持向量机的历史背景和研究 |
36-37 |
|
4.1.2 统计学习理论 |
37-40 |
|
4.1.3 支持向量机分类 |
40-42 |
|
4.1.4 支持向量机回归 |
42-43 |
|
4.2 基于主成分分析的支持向量机建模方法 |
43-44 |
|
4.2.1 支持向量机径向基函数宽度优化方法 |
43-44 |
|
4.2.2 基于主成分分析的支持向量机建模 |
44 |
|
4.3 本章小结 |
44-45 |
|
第五章 仿真实验研究 |
45-56 |
|
5.1 引言 |
45-46 |
|
5.2 样本的主成分分析 |
46-47 |
|
5.3 基于主成分分析的RBF神经网络仿真实验研究 |
47-50 |
|
5.4 基于主成分分析的归一化RBF神经网络仿真实验研究 |
50-52 |
|
5.5 基于主成分分析的支持向量机仿真实验研究 |
52-55 |
|
5.5.1 支持向量机程序设计 |
52-53 |
|
5.5.2 基于主成分分析的支持向量机的实现 |
53-55 |
|
5.6 本章小结 |
55-56 |
|
第六章 结论与展望 |
56-58 |
|
6.1 结论 |
56-57 |
|
6.2 展望 |
57-58 |
|
附表一 原始数据样本库 |
58-60 |
|
附表二 标准化数据样本库 |
60-62 |
|
附表三 主成分分析后的样本库 |
62-64 |
|
附表四 主成分分析及参数优化后的样本库 |
64-66 |
|
参考文献 |
66-71 |
|
致谢 |
71-72 |
|
攻读硕士学位期间的论文发表和科研情况 |
72 |
|
| 【DOI】 | LunWen.ID:2.2008.389129 |
