一、课题背景及意义 | (课题的立题依据及研究意义) 数据挖掘源于数据库技术引发的海量数据和人们利用这些数据的愿望。用数据管理系统存储数据,用机器学习的方法分析数据、挖掘海量数据背后的知识,便促成了数据挖掘的产生。概括地讲,数据挖掘的任务是从大型数据库或数据仓库中提取人们感兴趣的、事先未知的、有用的或潜在有用的信息。 支持向量机SVM(Support Vector Machine)是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。它最初于20世纪90年代由Vapnik提出,近年来在其理论研究和算法实现方面都取得了突破性进展,开始成为克服“维数灾难”和“过学习”等传统困难的有力手段。虽然它还处于飞速发展的阶段,但是它的理论基础和实现途径的基本框架已经形成。 支持向量机是由A T &T 贝尔实验室的Vapnik 及其研究小组于1995 年在统计学习理论的基础上提出来的一类新型的机器学习方法。支持向量机是建立在统计学习理论基础上的通用学习方法,而且已表现出很多优于已有方法的性能。目前,支持向量机作为小样本学习的最佳理论在理论研究和实际应用两方面正处于飞速发展的阶段,受到越来越广泛的重视,成为人工智能和机器学习领域新的研究热点,并将推动机器学习理论和技术的重大发展。SVM 根据应用不同, 分为支持向量分类( Support Vector Classification ,SVC) 和支持向量回归( Support Vector Regression , SVR) 两类。 本项课题研究支持向量回归机,掌握其基本思想,研究并提出相关的机器学习算法模型,并用程序仿真实现。 |
二、课题研究现状及发展趋势 | (课题研究领域的发展现状及可能的发展方向) 发展现状: 支持向量机是在统计学习理论基础上发展起来的一种新机器学习方法,由于其出的学习性能,该技术已成为当前国际机器学习界的研究热点,在模式识别、回归估计、函数逼近等领域有了广泛的应用。支持向量机算法一经提出,就得到国内外学者的高度关注。学术界普遍认为它是继神经网络之后的一个新的研究方向。在短短的几年里,取得了一系列令人瞩目的研究成果。虽然支持向量机发展时间很短,但是由于它的产生是基于统计学习理论的,因此具有坚实的理论基础。近几年涌现出的大量理论研究成果,更为其应用研究奠定了坚实基础。 虽然SVM 方法在理论上具有很突出的优势, 但与其理论研究相比,应用研究尚相对比较滞后, 到目前,SVM已用于数据分类、回归估计、函数逼近等领域.应用最为广泛的当属模式识别领域,在模式识别方面最突出的应用研究是贝尔实验室对美国邮政手写数字库进行的实验, 说明了SVM方法较传统方法有明显的优势, 同时也得到了不同的SVM 方法可以得到性能相近的结果。 发展趋势: 作为机器学习的一个重要内容,支持向量机的研究已受到众多研究者的关注,但由于出现时间不长,许多问题的研究还处于起步阶段,许多理论问题亟待解决,应用领域也需进一步拓展。目前,下述几个方面的问题值得进行深入研究: 1)有限维空间的 SVM 理论发展较快,无限维空间的 SVM 理论还需深入研究和推广; 2)针对 SVM 理论中优化问题的特点,如何建立简单、有效和实用的算法是迫切需要解决的问题; 3)将神经网络与模糊逻辑等领域已有的研究方法和思想与 SVM 理论相结合,提出新的方法; 4)训练样本中数据含有不确定性以及噪声时的 SVM 理论性能,即 SVM 理论的鲁棒性问题是值得研究的重点课题; 5)进一步拓展 SVM 的应用领域,特别是 SVM 在控制中的应用需要重点研究。 |
三、研究内容及研究目标 | (对研究的内容进行说明,并阐明要达到的目标) 本课题主要内容包括: (1)线性支持向量回归机的工作原理及算法; (2)非线性支持向量回归机的工作原理及算法; (3)将支持向量回归机用于解决实际问题。 目标:能够掌握支持向量回归机的工作原理及算法,能将其用于解决实际问题,如预测,曲线拟合等。 主要技术指标: (1)支持向量回归机的工作原理及算法。 (2)支持向量回归机核函数的定义及选取。 (3)支持向量回归机在对偶空间形成的优化模型。 广州市市长(4)支持向量回归机在实际问题中的应用。 |
四、预计的研究难点 刑法修正案八解读 | (课题研究过程中可能遇到的理论难题或技术难点) 1、Matlab软件安装时可能会出现的问题。 2、比较各模型的性能,并且具体应用于解决某些实际问题系统中加以检验。 为了提高准确度,需要对众多影响因素进行不间断的甄别与分析。 3、参数如何选择,针对不同的数据选用什么样的核函数,和自己构造核函数,参数的选取,等等。 |
五、创新点 | (选题、观点、理论、材料、方法等创新点) 支持向量机SVM是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。 利用MATLAB开发平台和相关的统计学工具箱及支持向量回归算法,设计改进并实现基于MATLAB的SVR回归模型的实验系统,通过运用M文件编写回归算法,了解支持向量回归算法在实际问题预测模型中的应用。 |
六、进度计划 | (根据研究内容及研究目标所预计的进度安排) 3月26日-4月11日 阅读文献与参考资料,掌握支持向量回归机的基本方法,完成开题报告;熟悉Matlab软件。 4月12日-5月2日 研究支持向量回归机的工作原理、基本模型、基本算法,用Matlab编程。 5月3日-5月21日 将支持向量机用于实际例子当中,给出仿真结果。 5月22日-6月18日 撰写毕业论文。 城市轨道交通研究6月18日-7月2日 修改论文,准备答辩。 |
七、资料来源 | (指能够支持“课题背景”、“课题研究现状及发展趋势”所论述内容的主要文献资料) 1.邓乃扬, 田英杰, 数据挖掘中的新方法——支持向量机[M], 北京: 科学出版社, 2004。 2. 邓乃扬, 田英杰,支持向量机-理论、算法与拓展[M], 北京: 科学出版社, 2009。 3. 徐红敏,王海英,梁瑾,黄帅,支持向量机回归算法及其应用,北京石油化工学院学报,第18 卷第1 期,第62-66页,2010。 4. 孙涵,杨普容,成金华,基于Matlab支持向量回归机的能源需求预测模型,系统工程理论与实践,第31卷第10期,第2001-2007页,2011。 5. 孟军,孙超,基于支持向量机的大豆产量预测研究,数学的实践与认识,第41卷第18期,第144-149页,2011。 6. 周书敬,曹立梅,李彦仓,房地产投资环境的支持向量机评价,河北工程大学学报,第26 卷第2 期, 第89-92页,2009。 |
指导教师意见:(对课题的认可意见) 指导教师: 年 月 日 | |
系(教研室)审查意见: 系(教研室)负责人: 年 月 日第十一届全国运动会开幕式 | |
本文发布于:2024-09-22 19:21:12,感谢您对本站的认可!
本文链接:https://www.17tex.com/xueshu/570026.html
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。
留言与评论(共有 0 条评论) |