论文部分内容阅读
支持向量机以其深厚的理论基础和良好的实际应用性能而成为机器学习研究中的新热点，它可以通过自身的模型参数而控制其学习能力和泛化能力。但由于缺乏模型参数与支持向量机性能之间定量的显式关系表达式，因此模型参数选择是支持向量机应用中的一个困难而重要的问题。
本文首先简明、系统地介绍了支持向量机的机理、基本概念、模型描述等有关基本知识和研究现状；然后以金融市场为背景，对标准支持向量回归机模型参数的选择进行了较深入、细致地研究，主要做了以下几个方面工作：
1.进行了大量仿真实验，在此基础上对标准支持向量回归机模型参数如何影响其学习泛化性能进行了比较系统的研究与分析；
2.通过引入中间变量，对模型参数对其性能的影响进行了逻辑定性分析与解释，并得出模型参数选择的基本原则；
3.根据所得出的模型参数选择基本原则，设计了基于遗传算法的模型参数估计算法；此算法最大的优点是能够根据实际需要，在保证一定的趋势预测准确率条件下，获得较好的预测精度，即具有较小的预测误差；
4.根据对所引入的中间变量的分析，设计了基于最小二乘模型参数调整算法，此算法可以改变标准支持向量回归机学习能力和泛化能力之间的不对称程度，从而获得较好的泛化能力；
5.在基于最小二乘模型参数调整算法的基础之上，设计了动态调整在线预测算法。