论文部分内容阅读
制造系统成品需求短期预测实际上是对受噪音影响的小样本多维非线性销售时序进行预测。支持向量机(SVM)方法已被广泛应用于对非线性销售时序进行预测研究,并已取得很多成果。因此本文在SVM方法的基础上,针对多因素,含噪声及小样本这三种情形分别提出了新的求解方法以弥补基本SVM算法的不足之处。首先针对受多因素影响非线性销售时序进行预测时,本文通过扩展高斯(RBF)核函数,得到了一种基于扩展的RBF核支持向量机的制造系统成品销售预测模型。然后针对含噪声影响非线性销售时序进行预测时,分别从对不敏感损失函数ε进行迭代和自适应分段两个方面,重点研究了基于迭代的支持向量机和具有自适应分段损失函数的支持向量机的制造系统成品销售预测模型。最后,针对小样本非线性销售时序进行预测时,通过对不同样本点两两之间间隔的比对,提出了一种基于样本点间隔的支持向量机的制造系统成品销售预测模型。同时,设计了基于免疫算法的支持向量机模型参数辩识方法,通过与标准支持向量机和神经网络等传统模型的比较,验证了本文所提出的短期预测模型的有效性。
具体说来,主要在如下四个方面进行了研究:
(1)针对制造系统成品销售时序具有多维度、非线性的特征,提出了一种基于扩展的RBF核支持向量机的制造系统成品销售预测模型。设计了一种扩展的RBF核函数,证明了该函数满足Mercer定理,并将该核函数应用于支持向量机模型中;同时设计了一种改进的免疫优化算法对其参数进行寻优。该方法被应用于汽车销售预测实例中,并与BP神经网络(BPNN)、采用一般RBF核的支持向量机(v-SVM)及多尺度支持向量机(MS-SVM)进行了比较。实验结果表明本文提出的方法是有效可行的,所获方法的预测精度优于参与比较的其它三种方法。
(2)针对制造系统成品销售时序具有含噪声、非线性的特征,提出了一种基于迭代的支持向量机的制造系统成品销售预测模型。设计了一种迭代的支持向量机模型(Iε-SVM)。当样本含有噪声时,采用ε-不敏感损失函数的标准支持向量机所建模型通常会对受噪声影响较大的样本进行过拟合,使得模型预测精度不高。基于此,Iε-SVM采用迭代的方式,在SVM的参数ε逐步减小的过程中,一步步修正那些可能受噪声影响较大的样本点信息,降低这些样本点对最终生成的预测模型的影响。文中证明了用更新后样本集训练支持向量机可获得比原训练集更大的样本间隔,最后Iε-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明Iε-SVM是有效可行的,可获得比ε-SVM更精确的预测结果。
(3)同样针对制造系统成品销售时序具有含噪声、非线性的特征,提出了一种基于自适应分段损失函数的支持向量机的制造系统成品销售预测模型。设计了基于自适应分段损失函数的支持向量机模型(ASε-SVM)。为避免支持向量机所建模型对受噪声影响较大的样本进行过拟合的现象,ASε-SVM为每个样本点赋一个单独的不敏感损失值,特别为那些受噪声影响较大的样本点赋一个较大的值,以此来降低模型对这些样本点的依赖性,并证明了该方法可增强模型部分的泛化性能。最后,ASε-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明ASε-SVM是有效可行的,可获得比ε-SVM更精确的预测结果。
(4)针对制造系统成品销售时序具有小样本、非线性的特征,提出了一种基于样本点间隔的支持向量机的制造系统成品销售预测模型。鉴于在小样本的情况下,通常缺少足够的信息来训练支持向量机模型;通过引入样本间两两之间的间隔,可在训练支持向量机时获得更多的样本间的信息,通过推导其对偶优化问题获得IoS-SVM;并通过理论证明了IoS-SVM的解具有与SVM类似的性质。最后,IoS-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明IoS-SVM是有效可行的,在多数情况下可获得比ε-SVM更精确的预测结果,具有更强的鲁棒性。
具体说来,主要在如下四个方面进行了研究:
(1)针对制造系统成品销售时序具有多维度、非线性的特征,提出了一种基于扩展的RBF核支持向量机的制造系统成品销售预测模型。设计了一种扩展的RBF核函数,证明了该函数满足Mercer定理,并将该核函数应用于支持向量机模型中;同时设计了一种改进的免疫优化算法对其参数进行寻优。该方法被应用于汽车销售预测实例中,并与BP神经网络(BPNN)、采用一般RBF核的支持向量机(v-SVM)及多尺度支持向量机(MS-SVM)进行了比较。实验结果表明本文提出的方法是有效可行的,所获方法的预测精度优于参与比较的其它三种方法。
(2)针对制造系统成品销售时序具有含噪声、非线性的特征,提出了一种基于迭代的支持向量机的制造系统成品销售预测模型。设计了一种迭代的支持向量机模型(Iε-SVM)。当样本含有噪声时,采用ε-不敏感损失函数的标准支持向量机所建模型通常会对受噪声影响较大的样本进行过拟合,使得模型预测精度不高。基于此,Iε-SVM采用迭代的方式,在SVM的参数ε逐步减小的过程中,一步步修正那些可能受噪声影响较大的样本点信息,降低这些样本点对最终生成的预测模型的影响。文中证明了用更新后样本集训练支持向量机可获得比原训练集更大的样本间隔,最后Iε-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明Iε-SVM是有效可行的,可获得比ε-SVM更精确的预测结果。
(3)同样针对制造系统成品销售时序具有含噪声、非线性的特征,提出了一种基于自适应分段损失函数的支持向量机的制造系统成品销售预测模型。设计了基于自适应分段损失函数的支持向量机模型(ASε-SVM)。为避免支持向量机所建模型对受噪声影响较大的样本进行过拟合的现象,ASε-SVM为每个样本点赋一个单独的不敏感损失值,特别为那些受噪声影响较大的样本点赋一个较大的值,以此来降低模型对这些样本点的依赖性,并证明了该方法可增强模型部分的泛化性能。最后,ASε-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明ASε-SVM是有效可行的,可获得比ε-SVM更精确的预测结果。
(4)针对制造系统成品销售时序具有小样本、非线性的特征,提出了一种基于样本点间隔的支持向量机的制造系统成品销售预测模型。鉴于在小样本的情况下,通常缺少足够的信息来训练支持向量机模型;通过引入样本间两两之间的间隔,可在训练支持向量机时获得更多的样本间的信息,通过推导其对偶优化问题获得IoS-SVM;并通过理论证明了IoS-SVM的解具有与SVM类似的性质。最后,IoS-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明IoS-SVM是有效可行的,在多数情况下可获得比ε-SVM更精确的预测结果,具有更强的鲁棒性。