人工鱼群算法优化SVR的预测模型

被引：5

作者：

高雷阜 ^{[1
]}

高晶 ^{[1
]}

赵世杰 ^{[1
]}

机构：

[1] 辽宁工程技术大学数学与系统科学研究所

来源：

统计与决策 | 2015年 / 07期

关键词：

鱼群算法; 支持向量回归机; GDP预测; BP神经网络;

D O I：

10.13546/j.cnki.tjyjc.2015.07.005

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

文章针对参数选择关系着支持向量回归机的性能进而影响GDP预测效果这一问题,引入人工鱼群算法将支持向量回归机的参数选择转化为组合优化问题,得到应用人工鱼群算法优化支持向量回归机的短期GDP预测模型。以辽宁省的GDP数据为例,将该模型的预测结果与同为智能算法的BP神经网路和单纯的支持向量机进行对比,结果表明该模型的预测效果优于其余两个,具有更好的学习能力和推广能力。

引用

页码：13 / 16

页数：4

共 8 条

[1] 基于支持向量机回归的短时交通流预测模型
傅贵
韩国强
逯峰
许子鑫
[J]. 华南理工大学学报(自然科学版), 2013, 41 (09) : 71 - 76
[2] 免疫人工鱼群神经网络的经济预测模型
刘双印
[J]. 计算机工程与应用, 2009, (29) : 226 - 229
[3] 支持向量机回归的参数选择方法
闫国华
朱永生
[J]. 计算机工程, 2009, 35 (14) : 218 - 220
[4] 支持向量机在GDP回归预测中的应用研究
胡艳国
武友新
江恭和
[J]. 微计算机信息, 2007, (33) : 17 - 18
[5] 基于粒子群优化算法的支持向量机参数选择及其应用
邵信光
杨慧中
陈刚
[J]. 控制理论与应用, 2006, (05) : 740 - 743
[6] 支持向量机回归理论与控制的综述
王定成
方廷健
唐毅
马永军
[J]. 模式识别与人工智能, 2003, 16 (02) : 192 - 197
[7] 支持向量机[M]. 科学出版社 , 邓乃扬, 2009
[8] Choosing Multiple Parameters for Support Vector Machines.[J] . Olivier Chapelle,Vladimir Vapnik,Olivier Bousquet,Sayan Mukherjee. Machine Learning . 2002 (1-3)

← 1 →