基于特征指数加权的最小二乘支持向量机算法
作者:

Least Squares Support Vector Machine Based on Exponentially Weighted Feature
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [7]
  • |
  • 相似文献 [20]
  • |
  • 引证文献
  • | |
  • 文章评论
    摘要:

    根据支持向量回归机原理,针对样本特征对回归预测重要性的差异,采用最小二乘支持向量回归机(LS-SVR)算法,减少参数数量,针对参数对预测效果的影响,并考虑到特征加权的意义,采用特征指数进行加权,其权重系数由灰色关联度确定,提出了基于特征指数加权的最小二乘支持向量回归机算法。为验证该算法的有效性,对实际股票价格进行预测,结果表明该算法较传统最小二乘支持向量回归机算法,其回归估计函数的预测能力明显提高,具有一定的实用价值。

    Abstract:

    According to the basic principle of support vector regression algorithm, for the difference of features` correlative degree to the regression, the affect of parameters to the performance of forecast and taking into account the significance of weighted feature after normalization, least squares support vector regression machine (LS-SVR) based on weighted feature is proposed in this paper, in which, least squares support vector regression algorithm is used to reduce the number of parameters and exponentially weighted feature is used to improve prediction accuracy, the weighting coefficients are determined by the grey correlation degree approach. In the meantime, the effectiveness of the algorithm is demonstrated in forecasting the actual stock price. The experimental results show that it is superior to classical support vector machine and can significantly improve the predictive ability.

    参考文献
    1 金凌宵,张国基.基于特征加权的支持向量回归机研究.计算机工程与应用,2007,43(6):42-44.
    2 邓乃杨,田英杰.支持向量机理论、算法与拓展.北京:科学出版社,2009.100-105.
    3 邓乃杨,田英杰.数据挖掘中的新方法-支持向量机.北京:科学出版社,2004.226-228.
    4 Vapnik V. Statistical leaning theory. New York:Wiley, 1998.
    5王定成.支持向量机建模预测与控制.北京:气象出版社,2009.96-97.
    6 罗党.灰色决策问题分析方法.郑州:黄河水利出版社,2005.29-31.
    7 http://www.esat.kuleuven.be/sista/lssvml.
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

潘岚,王仲君.基于特征指数加权的最小二乘支持向量机算法.计算机系统应用,2012,21(5):205-208

复制
分享
文章指标
  • 点击次数:2438
  • 下载次数: 3567
  • HTML阅读次数: 0
  • 引用次数: 0
历史
  • 收稿日期:2011-09-01
  • 最后修改日期:2011-10-06
文章二维码
您是第11431504位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号