基于MATLAB的SVR回归模型的设计与实现毕业设计(论文)开题报告改.doc

学 号 天津城建大学 毕业论文开题报告 基于MATLAB的SVR回归模型的设计与实现 学生姓名 王新蕾 专业名称 电子信息科学与技术 指导教师 张艳 计算机与信息工程学院 2014 年 3月21日 毕 业 论 文 开 题 报 告 题目名称：基于MATLAB的SVR回归模型的设计与实现 课题研究立项依据 支持向量机(SVM)是根据统计学习理论提出的一种新的学习方法。其具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等诸多优点，已经成为目前国内外研究的热点。 支持向量机通过结果风险最小化准则和核函数方法，较好地解决了模式分类器复杂性核推广性之间的矛盾，引起了模式识别领域学者的极大关注。从此迅速的发展起来，现在已经在许多领域（生物信息学，文本分类、手写体识别、人脸检测等） 都取得了成功的应用，并且在研究过程中，取得了与传统方法可比或更好的结果，还丰富了自身的内容（如快速训练算法等），从而更加推动了它在其他模式识别领域的应用。由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点，在模式识别、回归估计、函数逼近等领域有了广泛的应用。本课题就是研究它在回归估计中的应用。 SVR即支持向量回归，是人工神经网络的一种学习算法。可用于数据预测等。本课题的目的是通过回归算法及图形结果实现向量回归模型的设计，利用MATLAB开发平台和相关的统计学工具箱及支持向量回归算法，实现SVR的回归模型。在实际应用中，通过对回归函数的优化选取，从而使优化过程中更加稳定，提高预测模型的准确性。 课题的基本内容误差带内寻求一个最为平坦的直线，此直线回归训练，并具有最小的损失。对于非线形情形，同支持向量机识别，通过向高维空间映射，将问题转化为高维空间(Hilbert空间)的线形回归问题，并使用核函数技巧来求最优解。 2.2建立模型 建立支持向量机回归预测模型，研究并实现支持向量回归算法，并使用这种训练算法和线性内核、径向基函数内核、多项式内核、高斯内核等多种核函数实现了基于支持向量机回归模型的设计。并能够对线性的和非线性的两种情况的数据集进行回归预测，并对回归的效果进行分析。可以装载已有的数据进行回归，也可以实现手动创建数据集的功能，并可以对手动创建的数据集进行回归。 2.3仿真与实现 建立支持向量机回归预测模型，进行训练预测，在matlab环境下实现各功能。在给定的训练样本集中来某系统输入和输出之间的依赖关系，即寻找最优函数，通过改变核函数及其宽度系数，惩罚因子C以及不敏感系数等参数，观察预测结果。 2.4预期设计效果 通过观察，改变核函数及其宽度系数，惩罚因子C以及不敏感系数等参数，对支持向量回归方法性能进行比较。 课题的 编写M文件。 实现显示支持矢量机机器学习模型的功能。 下拉式菜单 核函数的选取：用户通过此菜单选择一个核函数，然后进行回归实验。 编辑框输入参数值 设定惩罚系数C初始值。 设置不敏感系数初始值。 编辑框显示信息 显示统计支持向量的个数，回归性能。 按钮 装载数据：进行已存在数据文件的装载。 数据输入：用户手动创建数据，用鼠标点击将在坐标轴上产生点集。 清除数据：用户想清除当前数据时点击该按钮，以便重新创建数据集。 保存数据：对创建的数据保存，以便下一次直接装载调用。 回归：对创建的数据集或装载的数据集进行回归，得到回归曲线。 Matlab的命令窗口 在命令窗口我们将会获得算法运行时间，支持向量的个数，回归性能。 3.3结果分析 通过Matlab仿真，改变各种参数的设置得到不同性能的回归曲线，观察分析支持向量回归方法性能的好坏。 4.研究进度安排 (1)3月24日-4月6日（2周），研究课题设计任务，查阅相关资料。熟悉支持向量机回归模型的设计流程和熟练掌握matlab语言的使用。 (2)4月7日-4月20日（2周）,分析支持向量机回归的工作原理，编写程序。(3)4月21日-5月11日（3周），实现支持向量机回归的各项功能。 (4)5月12日-5月25日（2周），训练，并对模型和程序进行调整。(5)5月26日-6月1日（1周），撰写论文。 (6)6月2日-6月8日（1周）,修改论文。 (7)6月9日-6月13日（1周），准备答辩。 5.参考文献 [1] 刘霞, 卢苇. SVM在文本分类中的应用研究, 计算机教育, 2007. 1 2] 曾水玲, 徐蔚鸿. 基于支持向量机的手写体数字识[J]. 计算机与数字工程, 2006, 34(10) [3] 史忠植.知识发现. 北京: 清华大学出版社; 2002. 1 [8] 罗晓牧, 周渊平,