基于空间邻接关系的RBF网络与SVR建模方法研究

论文摘要

随着各种信息获取手段的不断完善,空间信息分析面临着日益复杂的对象和海量的信息,一些传统的空间分析手段已不能满足地理信息系统和地球信息科学中海量信息的处理要求,这就使得包括人工神经网络、支持向量机等的智能计算技术以其充分利用计算机智能的优势在地球科学相关领域研究中起到愈来愈重要的作用。综合空间信息分析、智能计算等不同理论方法的各种信息融合技术的发展趋势已经是不可逆转的。本文以空间信息分析与智能计算技术相互融合为出发点,基于空间知识和空间关系,利用传统RBF网络和SVR的基本原理和算法,根据空间数据的特性,对基于空间邻接关系的RBF网络与SVR建模方法进行了研究,主要有以下成果:（1）建立了多种基于空间邻接关系的多种智能模型,即RBF-IF、RBF-HF1/2、RBF-OF和LS-SVR-IF、LS-SVR-HF1/2、LS-SVR-OF模型,并利用美国俄亥俄州哥伦比亚区内49个区域的犯罪率信息进行实例分析;（2）通过反复的对比分析,应用多种预测性能指标进行结果评价,证明了空间信息分析与智能计算技术相互融合是可行的;（3）通过对传统RBF网络与传统SVR模型以及RBF-HF1与LS-SVR-HF1模型的对比分析,证明了SVR在泛化能力上相对于RBF网络具有一定的优越性;（4）论文中在建立SVR模型时应用了最小二乘支持向量回归模型,简化了学习算法,提RBF-HF1高了学习速度。最后,以基于空间邻接关系的RBF网络和SVR建模为主要研究对象,在面向对象编程的Visual C++环境中,结合MATLAB软件强大的科学计算和可视化功能,编写了基于空间邻接关系的RBF网络和SVR建模方法的模块,并利用它进行了实例分析,达到了预期效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题的依据和研究意义
• 1.1.1 选题依据
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 神经网络的研究现状
• 1.2.2 支持向量机的研究现状
• 1.3 论文的研究内容
• 1.4 论文的结构
• 第二章 RBF 神经网络及其主要学习算法
• 2.1 径向基神经网络（RBFN）的兴起
• 2.2 RBF 神经网络的分类
• 2.2.1 正规化网络
• 2.2.2 广义网络
• 2.3 RBF 神经网络学习算法
• 2.3.1 梯度下降法
• 2.3.2 基于k-均值聚类的RBF 学习算法
• 2.3.3 基于动态均值聚类的RBF 学习算法
• 2.3.4 基于正交最小二乘（OLS）法的RBF 学习算法
• 2.4 基于k-均值聚类的RBF 神经网络学习算法步骤
• 2.5 RBF 网络与多层感知器的比较
• 第三章 支持向量机及其学习算法
• 3.1 支持向量机基本理论
• 3.1.1 统计学习理论的核心问题
• 3.1.2 最优超平面
• 3.1.3 核函数
• 3.1.4 支持向量机
• 3.2 支持向量回归
• 3.3 最小二乘支持向量机（LS-SVM）的基本原理
• 3.3.1 基于最小二乘支持向量机的分类算法
• 3.3.2 基于最小二乘支持向量机的回归算法
• 3.3.3 最小二乘支持向量机框架下分类与回归的等价性
• 第四章 基于空间邻接关系的RBF 网络和LS-SVR 建模方法
• 4.1 空间权重矩阵和性能指标
• 4.1.1 空间权重矩阵的确定
• 4.1.2 性能指标
• 4.2 基于空间邻接关系的RBF 建模方法
• 4.2.1 在输入层融合空间信息
• 4.2.2 在隐含层融合空间信息
• 4.2.3 在输出层融合空间信息
• 4.3 基于空间邻接关系的LS-SVR 建模方法
• 4.3.1 在输入变量中融合空间信息
• 4.3.2 改变目标函数的建模方法
• 4.3.3 在输出值时融合空间信息
• 第五章 建模方法的实现与应用分析
• 5.1 建模方法的实现
• 5.1.1 建模算法的流程图
• 5.1.2 VC 与MATLAB 混合编程
• 5.1.3 系统模块界面设计
• 5.2 模型的应用分析
• 5.2.1 实验数据来源
• 5.2.2 模型参数的选择
• 5.2.3 RBF 网络建模实例及分析
• 5.2.4 LS-SVR 实例建模及分析
• 5.2.5 RBF 网络与LS-SVR 预测效果对比
• 结论
• 参考文献
• 附录
• 攻读硕士学位期间取得的学术成果
• 致谢