1、支持向量機(jī)是基于統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上提出的機(jī)器學(xué)習(xí)方法，體現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化的思路和解決問(wèn)題的方法，針對(duì)樣本量比較少、避免局部最小點(diǎn)、非線性、維數(shù)較多、以及過(guò)學(xué)習(xí)現(xiàn)象等問(wèn)題能夠提出很好的解決方案，因此支持向量機(jī)成為機(jī)器學(xué)習(xí)理論研究的熱點(diǎn)。雖然SVM作為一種新興技術(shù)，但它在很多領(lǐng)域的研究仍需要不斷摸索和改進(jìn)，特別針對(duì)于小樣本特征的實(shí)際問(wèn)題時(shí)，其預(yù)測(cè)結(jié)果很大程度上由算法的關(guān)鍵參數(shù)的設(shè)定所決定，快速有效優(yōu)化SVM參數(shù)是實(shí)際應(yīng)用中的問(wèn)題之一。本文

2、首先對(duì)支持向量機(jī)理論進(jìn)行了研究與分析，介紹其發(fā)展?fàn)顩r、研究背景及現(xiàn)狀、主要特點(diǎn)，在此基礎(chǔ)上，利用高斯徑向基核函數(shù)，利用AGA與SVM相結(jié)合來(lái)對(duì)SVM參數(shù)進(jìn)行優(yōu)化，形成一種新的預(yù)測(cè)算法，最后將AGA-SVM模型運(yùn)用到湖南省糧食產(chǎn)量預(yù)測(cè)的仿真計(jì)算中，驗(yàn)證其有效性。
　　本文主要研究方面與基本內(nèi)容包括以下幾點(diǎn):
　　(1)介紹SVM的研究背景與意義、支持向量機(jī)的研究現(xiàn)狀、主要組織結(jié)構(gòu)與組織內(nèi)容;
　　(2)重點(diǎn)介紹有關(guān)支持向

3、量機(jī)的理論，主要包括統(tǒng)計(jì)學(xué)習(xí)理論的核心內(nèi)容、SVM的基本原理、算法以及參數(shù)作用;
　　(3)分析討論SVM的核函數(shù)的選擇問(wèn)題。核函數(shù)是在使用SVM解決回歸問(wèn)題時(shí)的一個(gè)非常關(guān)鍵性指標(biāo)，如何得到適當(dāng)?shù)暮撕瘮?shù)是優(yōu)化SVM模型泛化能力的一個(gè)關(guān)鍵問(wèn)題。當(dāng)前最常用的核函數(shù)有:線性內(nèi)核函數(shù)、高斯徑向基核函數(shù)、多項(xiàng)式核函數(shù)和sigmoid核函數(shù);
　　(4)構(gòu)建基于自適應(yīng)遺傳算法的AGA-SVM模型。不僅核參數(shù)對(duì)SVM的性能存在影響，懲罰系

4、數(shù)C、敏感系數(shù)等參數(shù)也存在一定的影響。目前參數(shù)選取的常用方法有最優(yōu)化方法和實(shí)驗(yàn)試湊法，但上述兩種方法的缺點(diǎn)都是必須通過(guò)大量的實(shí)驗(yàn)來(lái)驗(yàn)證獲得的參數(shù)，并且由于實(shí)驗(yàn)次數(shù)的限制導(dǎo)致獲得的參數(shù)可能不是最優(yōu)參數(shù)。本文利用AGA算法對(duì)支持向量機(jī)中的核參數(shù)及其它參數(shù)修正，提高SVM的預(yù)測(cè)精度和模型的擬合能力;
　　(5) AGA-SVM優(yōu)化模型的應(yīng)用。通過(guò)對(duì)支持向量機(jī)模型參數(shù)進(jìn)行優(yōu)化，建立了基于AGA-SVM模型并運(yùn)用到湖南省的糧食產(chǎn)量預(yù)測(cè)實(shí)際問(wèn)