论文部分内容阅读
铀资源作为核能发展的物质基础,其变化规律受经济、政治等因素的影响,研究国际铀资源价格的变化趋势,有利于我国制定核能开发与利用的政策和发展规划。目前,对于价格预测的研究主要是基于时间序列进行的,研究方法主要分为两类,一类是传统的时间序列分析方法如ARMA模型,GARCH模型等;另一类是人工智能方法,如神经网络模型,支持向量机模型,模糊回归模型等。虽然神经网络模型具有非线性特征,但是其在应用中存在着受初值影响大,训练速度缓慢,容易陷入局部极小值,有时会发生过学习或泛化能力低等现象,影响了模型的稳定性和预测精度。支持向量机遵循结构风险极小化原则,能较好地解决小样本、非线性、高维数和局部极小等问题,解决了过学习以及维数灾难等问题,是机器学习研究的新热点。本文的主要工作包括:(1)引入混沌理论和马尔可夫决策思想,计算最大Lyapunov指数来说明铀价格时间序列的混沌性,采用Cao方法确定最小嵌入维数,然后对铀资源价格时间序列进行相空间重构。(2)介绍了支持向量机理论的基本原理,及常用的核函数类型,分析了参数的选择对支持向量机模型的性能和预测结果的影响,并利用粒子群算法优化支持向量机模型的参数。(3)在铀资源价格时间序列的相空间重构基础上,分别建立基于RBF神经网络、SVR和PSO-SVR的铀资源价格预测模型,并进行仿真实验比较。研究结果表明基于PSO-SVR预测模型的预测结果的精度较高,验证了本文所建立的基于PSO-SVR的国际铀资源价格预测的适用性和有效性。