發(fā)布時間：2020-11-09 02:18

　　 數(shù)學模型用來反映過程本身各有關變量之間本質關系,它可能是代數(shù)方程、微分方程或幾何曲線。系統(tǒng)建模就是確定系統(tǒng)數(shù)學模型輸入與輸出之間的關系,現(xiàn)階段系統(tǒng)建模的熱點是基于輸入-輸出數(shù)據(jù)的非線性系統(tǒng)建模,出現(xiàn)了基于神經(jīng)網(wǎng)絡、小波網(wǎng)絡等新的建模方法,但是結果依舊不盡人意。支持向量機是在統(tǒng)計學理論上發(fā)展的一種新的機器學習方法,由于其出色的學習性能,該技術已成為當前國際機器學習界的研究熱點。本文利用支持向量機,選取不同的核函數(shù),分別對線性自回歸滑動平均模型,雙線性模型,非線性模型進行系統(tǒng)建模。仿真結果表示該方法可以有效的解決神經(jīng)網(wǎng)絡過學習問題,具有良好的性能。
【學位單位】：華北電力大學（河北）
【學位級別】：碩士
【學位年份】：2005
【中圖分類】：N945.12
【文章目錄】：
中文摘要
ABSTRACT
第一章 引言
    1.1 選題背景及意義
    1.2 支持向量機研究現(xiàn)狀
        1.2.1 理論研究
        1.2.2 應用研究
        1.2.3 支持向量機在系統(tǒng)建模中的研究現(xiàn)狀
    1.3 本文的研究內容和結構安排
第二章 支持向量機的理論概述
    2.1 引言
    2.2 機器學習問題的理論基礎
        2.2.1 機器學習概述
        2.2.2 機器學習問題的表示
        2.2.3 經(jīng)驗風險最小化歸納原則
        2.2.4 學習機器的復雜性和推廣能力
    2.3 統(tǒng)計學習理論基礎
        2.3.1 VC維
        2.3.2 推廣性的界理論
        2.3.3 結構風險最小化原則
    2.4 支持向量機
        2.4.1 最優(yōu)超平面的構造
        2.4.2 支持向量機分類算法推導
        2.4.3 核函數(shù)
    2.5 本章小結
第三章 支持向量機模型選擇
    3.1 模型參數(shù)選擇的主流方法
    3.2 其他參數(shù)選擇方法簡介
    3.3 基于矩陣相似度量的參數(shù)選擇方法
第四章 系統(tǒng)階的辨識
    4.1 行列式比法
    4.2 AIC定階法
第五章 回歸支持向量機用于系統(tǒng)建模
    5.1 回歸型支持向量機
    5.2 線性ARAM系統(tǒng)建模研究
    5.3 雙線性系統(tǒng)建模研究
    5.4 一般非線性系統(tǒng)建模研究
    5.5 基于支持向量機的煤氣爐數(shù)據(jù)預測
第六章 結論與展望
參考文獻
致謝
攻讀碩士學位期間發(fā)表的學術論文和參加科研情況

【引證文獻】

相關碩士學位論文 前5條

1 龐宇;自適應逆控制在工業(yè)生產中的應用[D];北京化工大學;2007年

2 翟津;基于支持向量機的內模控制算法研究及應用[D];華北電力大學（河北）;2008年

3 陳源;鋅濕法冶煉電解過程能耗分析與建模[D];中南大學;2008年

4 王玉靜;商業(yè)銀行信用風險度量方法研究[D];河北大學;2008年

5 馬霞霞;基于GABP神經(jīng)網(wǎng)絡及SVM的房地產投資風險評價及應用[D];西安理工大學;2010年

本文編號：2875727