一种SVR非线性系统建模参数优化方法技术方案

本发明专利技术公开了一种SVR非线性系统建模参数优化方法，其步骤包括：S1：复制训练集中的所有样本，建立训练集的副本；S2：引入偏移因子并设定其下限和上限；S3：将原训练集和其副本中的模型输出样本往反方向偏移相同的距离，构造二分类问题；S4：计算高维特征空间中二分类问题的类间平均距离随核参数变化的趋势；S5：将类间平均距离最大值时对应的核参数作为核参数的搜索边界；S6：使用GA参数优化算法在步骤S5确定的搜索边界内寻找最优核参数。本发明专利技术公开的一种SVR非线性系统建模参数优化方法，克服了现有技术的参数搜索区间大、训练时间长的问题。

A method for modeling parameter optimization of SVR nonlinear system

The invention discloses a SVR modeling nonlinear system parameter optimization method, which comprises the following steps: S1: copy of all samples in the training set, a copy of the training set; S2: introducing an offset factor and set the lower and upper limit; S3: the original training set and the copy of the model output samples the direction of migration the same distance, construct two classification problems; S4: the average distance varies with the nuclear parameters calculation of two classification problems in high-dimensional feature space between the trend; S5: the class average distance between nuclear parameters corresponding to the maximum value when used as kernel parameter search boundary; S6: finding the optimal kernel parameters using the GA parameter optimization algorithm in step S5 search within the boundaries. The invention discloses a SVR non-linear system modeling parameter optimization method, which overcomes the problems of large parameter search interval and long training time in the prior art.

【技术实现步骤摘要】
所属
本专利技术涉及一种SVR非线性系统建模参数优化方法。
技术介绍
支持向量回机(SVR)通过引入核函数，将低维空间的原始问题化为高维核空间的线性问题进行求解。对于训练样本数量有限情况下的非线性系统建模问题，SVR根据结构风险最小化原则，在训练样本数据逼近程度与模型的泛化能力两者间取得平衡。与基于经验风险最小化的算法，如神经网络、最小二乘法，支持向量回归建模避免了对样本数量和样本质量的依赖，也不会陷入局部极小问题。SVR建模的泛化能力取决于模型参数的选取。对于模型参数的选择常用的方法有交叉验证法，geneticalgorithm(GA)参数优化算法、particleswarmoptimizationapproach(PSO)参数优化算法等。交叉验证法的基本思想是把原始数据进行分组，一部分作为训练集，另一部分作为验证集，首先用训练集对SVR进行训练，再利用验证集来测试训练得到的模型，以此作为评价SVR的性能指标。GA优化算法首先选择可能的模型参数作为初始种群，然后通过多次组合交叉和变异操作，根据模型训练效果，寻找最好的模型参数。PSO同遗传算法类似，是一种基于迭代的优化工具。将模型参数看作是解空间中的粒子，通过迭代操作，粒子在解空间追随训练效果最优的粒子进行搜索，最终得到最优模型参数。从某种意义上来讲，这些方法属于试凑法，完全忽略了核空间的特性，参数搜索区间大，训练时间长。
技术实现思路
本专利技术解决的技术问题：如何提供一种SVR非线性系统建模参数优化方法，以克服现有技术的参数搜索区间大、训练时间长的问题。为解决所述的技术问题，本专利技术提供了一种SVR非线性系统建模参数优化方法，包括以下步骤：S1：复制训练集中的所有样本，建立训练集的副本；S2：引入偏移因子并设定其下限和上限；S3：将原训练集和其副本中的模型输出样本往反方向偏移相同的距离，构造二分类问题；S4：计算高维特征空间中二分类问题的类间平均距离随核参数变化的趋势；S5：将类间平均距离最大值时对应的核参数作为核参数的搜索边界；S6：使用GA参数优化算法在步骤S5确定的搜索边界内寻找最优核参数。优选地，步骤S1所述的训练集T＝{(xi,yi),i＝1,...l本文档来自技高网...

【技术保护点】
一种SVR非线性系统建模参数优化方法，其特征在于，包括以下步骤：S1：复制训练集中的所有样本，建立训练集的副本；S2：引入偏移因子并设定其下限和上限；S3：将原训练集和其副本中的模型输出样本往反方向偏移相同的距离，构造二分类问题；S4：计算高维特征空间中二分类问题的类间平均距离随核参数变化的趋势；S5：将类间平均距离最大值时对应的核参数作为核参数的搜索边界；S6：使用GA参数优化算法在步骤S5确定的搜索边界内寻找最优核参数。

【技术特征摘要】
1.一种SVR非线性系统建模参数优化方法，其特征在于，包括以下步骤：S1：复制训练集中的所有样本，建立训练集的副本；S2：引入偏移因子并设定其下限和上限；S3：将原训练集和其副本中的模型输出样本往反方向偏移相同的距离，构造二分类问题；S4：计算高维特征空间中二分类问题的类间平均距离...

【专利技术属性】
技术研发人员：谢明华，龙英，刘辉，张海涛，马凌云，
申请(专利权)人：长沙学院，
类型：发明
国别省市：湖南;43