1、支持向量機(jī)（Support Vector Machine, SVM)以置信范圍值最小化作為優(yōu)化目標(biāo)，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論框架下提出的一種新型模式識(shí)別方法，采用基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法，推廣能力好。SVM擅長(zhǎng)解決樣本數(shù)量小、低維空間線性不可分類等問(wèn)題,并且能夠應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)中。但是由于SVM是借助二次規(guī)劃來(lái)求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計(jì)算，故其在應(yīng)用于大規(guī)模訓(xùn)練樣本方面難以實(shí)施。
　　本文針對(duì)

2、傳統(tǒng)的支持向量機(jī)在處理數(shù)據(jù)量大的樣本時(shí)，在預(yù)測(cè)時(shí)間方面有提高的缺點(diǎn)進(jìn)行優(yōu)化算法改進(jìn)。使得在保證精確度的情況下，學(xué)習(xí)時(shí)間大大減少。主要的研究工作如下：
　　首先，討論了機(jī)器學(xué)習(xí)的基本概念，支持向量機(jī)的基礎(chǔ)理論,包括統(tǒng)計(jì)學(xué)習(xí)理論、VC維理論、結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則、線性可分與非線性可分的情況、核函數(shù)等。著重討論了支持向量預(yù)測(cè)機(jī)，建立了預(yù)測(cè)回歸模型，并用Matlab中的LIBSVM工具包進(jìn)行仿真實(shí)驗(yàn)，采用交叉驗(yàn)證的方法確定核函數(shù)與懲罰參數(shù)。

3、得到算法執(zhí)行均方誤差（最為精確度衡量）與運(yùn)行時(shí)間等性能指標(biāo)。在波動(dòng)區(qū)間的預(yù)測(cè)問(wèn)題方面，本文采用信息粒度化的思想，將時(shí)間序列分割成若干小子序列，再模糊化為三個(gè)粒子分別進(jìn)行預(yù)測(cè)，得到分別對(duì)應(yīng)于最大值、最小值與平均值的預(yù)測(cè)結(jié)果。
　　其次，對(duì)于大規(guī)模樣本的訓(xùn)練時(shí)間方面的缺點(diǎn)，提出了基于動(dòng)態(tài)聚類與集成學(xué)習(xí)思想的優(yōu)化改進(jìn)算法。動(dòng)態(tài)模糊聚類方法，通過(guò)選擇粒度值與計(jì)算樣本兩兩之間的距離，得到大致的初步聚類結(jié)果，用隸屬度函數(shù)作為確定每個(gè)數(shù)據(jù)點(diǎn)屬于

4、某個(gè)聚類程度的判斷準(zhǔn)則，以保證劃分到同類的對(duì)象間距離最小，而不同類的對(duì)象間距離最大。不同粒度等級(jí)距離函數(shù)的衡量標(biāo)準(zhǔn)得到不同的聚類數(shù)目，將各次聚類結(jié)果進(jìn)行采樣構(gòu)成子學(xué)習(xí)器，對(duì)每個(gè)子學(xué)習(xí)器進(jìn)行分別預(yù)測(cè)訓(xùn)練，再將各個(gè)子學(xué)習(xí)器的輸出按照其誤差大小進(jìn)行集成，得到最終輸出結(jié)果。并與優(yōu)化前全體樣本進(jìn)行訓(xùn)練以及對(duì)整體樣本隨機(jī)采樣訓(xùn)練進(jìn)行的結(jié)果進(jìn)行對(duì)比，分析算法的性能優(yōu)缺點(diǎn)。
　　接著，搭建基于LabVIEW和Matlab的軟件系統(tǒng)平臺(tái)，把LabV