基于支持向量机的GNSS时间序列预测
|
摘要
在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.
In order to predict the global navigation satellite system(GNSS) time series, under the theoretical framework of deep learning, the traditional empirical risk minimization prediction model has low error, low generalization performance and large dependence on historical data. A time series prediction model is proposed based on support vector machine(SVM) with the principle of structural risk minimization. compared with the multi-layer BP neural network prediction model prediction, the results prove that the SVM prediction model has better time series prediction effect.
In order to predict the global navigation satellite system(GNSS) time series, under the theoretical framework of deep learning, the traditional empirical risk minimization prediction model has low error, low generalization performance and large dependence on historical data. A time series prediction model is proposed based on support vector machine(SVM) with the principle of structural risk minimization. compared with the multi-layer BP neural network prediction model prediction, the results prove that the SVM prediction model has better time series prediction effect.
引文
[1] HOFMAN-WELLENHOF B,LICHTENEGGER H,WASLE E.GNSS-Global navigation satellite systems[M].Springer,2007.
[2] 何正义,曾宪华,曲省卫,等.基于集成深度学习的时间序列预测模型[J].山东大学学报(工学版),2016,46(6):40-47.
[3] VAPNIK V.SVM method of estimating density,conditional probability,and conditional density[C]//IEEE International Symposium on Circuits & Systems.IEEE,2000.DOI:10.1109/ISCAS.2000.856437.
[4] 钟颖,汪秉文.基于遗传算法的BP神经网络时间序列预测模型[J].系统工程与电子技术,2002,24(4):9-11.
[5] 孙志华,沈小厚.基于RBF核函数的SVM在容量预测中的应用[J].经营管理者,2010(6):394-395.
[6] 王春燕,夏乐天,孙毓蔓.基于不同核函数的SVM用于径流预报的比较[J].人民黄河,2010,32(9):35-36,39.
[7] 罗泽举,朱思铭.新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统[J].计算机科学,2005,32(8):138-141,154.
[8] 刘子阳.支持向量回归算法及应用研究[D].大连:大连理工大学,2007.
[9] 张国云.支持向量机算法及其应用研究[D].长沙:湖南大学,2006.
[10] 刘洛霞.基于SVM的多变量函数回归分析研究(英文)[J].电光与控制,2013,20(6):50-57.
[11] 潘常春,杨根科,孙凯,等.带最小批量约束的计划问题及其拉格朗日松弛算法[J].控制理论与应用,2009,26(2):133-138.
[12] 曹健,孙世宇,段修生,等.基于KKT条件的SVM增量学习算法[J].火力与指挥控制,2014,39(7):139-143.
[2] 何正义,曾宪华,曲省卫,等.基于集成深度学习的时间序列预测模型[J].山东大学学报(工学版),2016,46(6):40-47.
[3] VAPNIK V.SVM method of estimating density,conditional probability,and conditional density[C]//IEEE International Symposium on Circuits & Systems.IEEE,2000.DOI:10.1109/ISCAS.2000.856437.
[4] 钟颖,汪秉文.基于遗传算法的BP神经网络时间序列预测模型[J].系统工程与电子技术,2002,24(4):9-11.
[5] 孙志华,沈小厚.基于RBF核函数的SVM在容量预测中的应用[J].经营管理者,2010(6):394-395.
[6] 王春燕,夏乐天,孙毓蔓.基于不同核函数的SVM用于径流预报的比较[J].人民黄河,2010,32(9):35-36,39.
[7] 罗泽举,朱思铭.新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统[J].计算机科学,2005,32(8):138-141,154.
[8] 刘子阳.支持向量回归算法及应用研究[D].大连:大连理工大学,2007.
[9] 张国云.支持向量机算法及其应用研究[D].长沙:湖南大学,2006.
[10] 刘洛霞.基于SVM的多变量函数回归分析研究(英文)[J].电光与控制,2013,20(6):50-57.
[11] 潘常春,杨根科,孙凯,等.带最小批量约束的计划问题及其拉格朗日松弛算法[J].控制理论与应用,2009,26(2):133-138.
[12] 曹健,孙世宇,段修生,等.基于KKT条件的SVM增量学习算法[J].火力与指挥控制,2014,39(7):139-143.