《基于matlab的svr回归模型的设计与实现毕业论文》由会员分享，可在线阅读，更多相关《基于matlab的svr回归模型的设计与实现毕业论文（35页珍藏版）》请在金锄头文库上搜索。
1、基于MATLAB的SVR回归模型的设计与实现The Design and Implementation of SVR Regression Model Based on MATLAB学生姓名：王新蕾学生学号：10780232专业名称：电子信息科学与技术指导教师：张艳（讲师）计算机与信息工程学院2014年6月10日独创性声明本人声明所呈交的毕业论文是本人在指导教师指导下进行的研究工作和取得的研究成果，除了文中特别加以引用标注之处外，论文中不包含其他人已经发表或撰写过的研究成果，没有伪造数据的行为。矚慫润厲钐瘗睞枥庑赖。毕业论文作者签名： 签字日期： 毕业论文版权使用授权书本毕业论文作者完全了解学
2、校有关保留、使用论文的规定。同意学校保留并向有关管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权天津城建大学可以将本论文的全部或部分内容编入有关数据进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本论文。聞創沟燴鐺險爱氇谴净。（保密的毕业论文在解密后适用本授权说明）毕业论文作者签名： 指导教师签名：签字日期： 签字日期： 摘 要 支持向量机是根据统计学习理论提出的一种新的学习方法，近年来受到了国内外学术界的广泛重视，并已在模式识别和函数估计中得到广泛应用。支持向量机理论的最大特点是由有限的训练集样本得到的小的误差保证对独立的测试集仍保持小的误差。从而通过支持向量机(
3、SVM)理论,可以建立支持向量回归(SVR)预测模型，以解决各种实际问题。残骛楼諍锩瀨濟溆塹籟。SVR算法是模式识别中应用比较广泛的算法模型之一，它是支持向量机在函数逼近和回归估计中的应用。在SVR回归分析中，使用支持向量机可以使回归函数尽量平滑，其泛化能力强。酽锕极額閉镇桧猪訣锥。本文论述了支持向量回归的基本原理和思想，介绍了支持向量回归算法以及所用到的几种常见的核函数（即线性内核、多项式内核、径向基函数内核、高斯内核）。本设计主要实现的功能有：数据集的创建、内核函数的选取、参数的设置、训练集的回归、数据集的保存与打开。通过不同核函数的选取以及相应参数的设置对输入数据集进行回归。此模型主要解
4、决非线性回归模型的预测。通过实验改变各个参数的不同取值对训练集进行回归，并分别统计出支持向量的个数，回归性能，程序运行时间。最后对回归的结果进行分析，得出各参数对回归性能的影响。彈贸摄尔霁毙攬砖卤庑。关键词：支持向量回归; 训练算法; 核函数; 线性判别ABSTRACTSupport vector machine (SVM) is a new method of study based on statistical learning theory which has attracted extensive attentions by academic circles both at home
5、and abroad in recent years. It has been widely used in pattern recognition and function estimation. The biggest characteristic of support vector machine (SVM) theory is that a small error limited by the training set of sample can ensure the independent test sets small error. Thus a support vector re
6、gression (SVR) forecasting model can be built by support vector machine (SVM) theory and it can solve various practical problems.謀荞抟箧飆鐸怼类蒋薔。SVR algorithm model is one of pattern recognition algorithm, which is more widely used in approximation of function and the application of the regression estima
7、te. In the SVR regression analysis, using support vector machine (SVM) can smooth regression function as far as possible. Its generalization ability is strong.厦礴恳蹒骈時盡继價骚。This paper discusses the basic principle of support vector regression and introduces support vector regression algorithm and sever
8、al common kernel functions (the linear kernel, polynomial kernel and radial basis function (RBF) kernel, the Gaussian kernel etc.). This essay successfully makes these functions work: the creation of data sets, the selection of kernel function, parameter settings, return of the training set, the pre
9、servation and open of the data set. We accomplish the return of input of data set through the selection of different kernel functions and the setting of corresponding parameter. This model is mainly to solve the nonlinear regression model prediction. Then, the same issue is done through the experime
10、nt to change the values of different parameters, and the statistics, the number of support vector regression， performance of program running time are accounted. Finally, we have analysis the results of regression and gained the influence of various parameters on the return performance.茕桢广鳓鯡选块网羈泪。Key
11、 words: Support Vector Regression; Training Algorithms; Kernel Function; Linear Discrimination Analysis鹅娅尽損鹌惨歷茏鴛賴。目 录第1章 绪论1籟丛妈羥为贍偾蛏练淨。1.1 课题研究背景1預頌圣鉉儐歲龈讶骅籴。1.2 国内外研究现状1渗釤呛俨匀谔鱉调硯錦。1.3 课题研究目的2铙誅卧泻噦圣骋贶頂廡。1.4 课题研究使用的开发工具3擁締凤袜备訊顎轮烂蔷。1.5论文组织结构3贓熱俣阃歲匱阊邺镓騷。第2章 支持向量机回归原理5坛摶乡囂忏蒌鍥铃氈淚。2.1 支持向量机5蜡變黲癟報伥铉锚鈰赘。2.2
12、支持向量回归5買鲷鴯譖昙膚遙闫撷凄。2.2.1 回归初步形式5綾镝鯛駕櫬鹕踪韦辚糴。2.2.2 线性支持向量回归6驅踬髏彦浃绥譎饴憂锦。2.2.3 非线性支持向量回归6猫虿驢绘燈鮒诛髅貺庑。2.3支持向量回归核函数7锹籁饗迳琐筆襖鸥娅薔。2.4 支持向量回归算法8構氽頑黉碩饨荠龈话骛。2.4.1 支持向量回归的算法的基础8輒峄陽檉簖疖網儂號泶。2.4.2 回归算法10尧侧閆繭絳闕绚勵蜆贅。2.4.3 关于算法的几点说明11识饒鎂錕缢灩筧嚌俨淒。第3章 基于Matlab实现SVR的总体设计13凍鈹鋨劳臘锴痫婦胫籴。3.1 总体设计思想13恥諤銪灭萦欢煬鞏鹜錦。3.2 功能模块的划分及相关流程图1
13、3鯊腎鑰诎褳鉀沩懼統庫。3.2.1 主要功能模块的划分13硕癘鄴颃诌攆檸攜驤蔹。3.2.2 实现程序的主要框架图13阌擻輳嬪諫迁择楨秘騖。3.2.3 支持向量回归模型的流程图14氬嚕躑竄贸恳彈瀘颔澩。第4章 基于支持向量回归模型的实现16釷鹆資贏車贖孙滅獅赘。4.1模型的功能描述16怂阐譜鯪迳導嘯畫長凉。4.2 运行结果17谚辞調担鈧谄动禪泻類。4.2.1 主界面17嘰觐詿缧铴嗫偽純铪锩。4.2.2 功能描述界面17熒绐譏钲鏌觶鷹緇機库。4.2.3运行过程及结果18鶼渍螻偉阅劍鲰腎邏蘞。4.2.4 命令窗口的显示结果24纣忧蔣氳頑莶驅藥悯骛。4. 3系统的性能分析及结论24颖刍莖蛺饽亿顿裊赔泷
14、。第5章 总结27濫驂膽閉驟羥闈詔寢賻。致 谢28銚銻縵哜鳗鸿锓謎諏涼。参考文献29挤貼綬电麥结鈺贖哓类。第1章绪论第1章 绪论支持向量机(SVM)是在统计学习理论基础上提出的一种新的学习方法。支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的优点是理论完备、训练时间短、全局优化强、适应性好、泛化性能好等。SVM已经成为目前国内外研究的热点。本课题研究的SVR是支持向量机在函数回归中的应用。赔荊紳谘侖驟辽輩袜錈。1.1 课题研究背景基于支持向量的学习是现代智能技术中的重要方面，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测.包括模式识
15、别、神经网络等在内，现有支持向量机器学习方法共同的重要理论基础之一是统计学.传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也多是基于此假设.但在实际问题中，样本数往往是有限的，因此一些理论上很优秀的学习方法实际中表现却可能不尽人意。与传统统计学相比，统计学习理论（Statistical Learning Theory或SLT）是一种专门研究小样本情况下机器学习规律的理论.V. Vapnik等人从六、七十年代开始致力于此方面研究，到九十年代中期，随着其理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，统计学习理论开始受到越来越广泛的重视。统计学习理论是建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架.它能将很多现有方法纳入其中，有望帮助解决许多原来难以解决的问题（比如神经网络结构选择问题、局部极小点问题等）；同时，在这一理论基础上发展了一种新的通用学习方法支持向量机（Support Vector Machine或SVM），它已初步表现
