基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

被引：13

作者：

张弦

王宏力

机构：

[1] 第二炮兵工程学院

来源：

中国机械工程 | 2011年 / 22卷 / 21期

关键词：

最小二乘支持向量机; 粒子群优化; 交叉验证; 时间序列预测;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; O211.61 [平稳过程与二阶矩过程];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为提高基于最小二乘支持向量机(LSSVM)的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化(PSO)的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。

引用

页码：2572 / 2576

页数：5

共 5 条

[1] Chaotic time series prediction with residual analysis method using hybrid Elman–NARX neural networks[J] . Muhammad Ardalani-Farsa,Saeed Zolfaghari.Neurocomputing . 2010 (13)
[2] Effects of connectivity structure of complex echo state network on its prediction performance for nonlinear time series[J] . Qingsong Song,Zuren Feng.Neurocomputing . 2010 (10)
[3] Hybrid SVMR-GPR for modeling of chaotic time series systems with noise and outliers[J] . Jin-Tsong Jeng,Chen-Chia Chuang,Chin-Wang Tao.Neurocomputing . 2010 (10)
[4] Least squares support vector machine classifiers
Suykens, JAK
Vandewalle, J
[J]. NEURAL PROCESSING LETTERS, 1999, 9 (03) : 293 - 300
[5] Support vector machine training for improved hidden markov modeling. Sloin A,Burshtein D. IEEE Transactions on Signal Processing . 2008

← 1 →