支持向量机及其在铁路工程中的应用研究

论文摘要

支持向量机(SVM)是由Vapnki及其研究小组于1995年在统计学习理论的基础上提出来的一类新型的机器学习方法,它体现了结构风险最小化的思想和方法,能较好地解决非线性、高维数、小样本、局部极小点等实际问题。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,并在很多领域取得了成功的应用。鉴于支持向量机具有良好学习性能和潜在应用价值,有望解决数据挖掘(DM)中的许多问题,本文尝试将其应用于铁路工程领域。主要进行了如下工作:1.分析总结了目前在运量预测和投资估算中比较常用的一些数学方法的基本原理并比较了其优劣。从简单的线性SVM到非线性SVM分类情形详细论述了支持向量机的训练和决策过程,并对训练算法做了总结。2.论述总结了神经网络技术的原理,借助MATLAB语言建立了基于BP神经网络的铁路客运量预测模型和基于RBF神经网络的铁路投资估算模型,并用于实例当中。3.依据支持向量机原理,利用LIBSVM软件建立了基于支持向量机的运量预测模型,用于城市铁路客运量预测,将实验结果与BP模型取得的结果进行比较,结论表明支持向量机在小样本情况下,预测精度要优于神经网络。4.投资估算一直是铁路建设中的热点问题,用LIBSVM软件建立支持向量机回归模型,用于全断面掘进机掘进铁路隧道造价估算,同时对比RBF神经网络模型取得的实验数据,结果证实了支持向量机在高维数样本情况下的表现要优于人工神经网络技术。结论表明支持向量机在整体性能上优于传统的神经网络方法,用支持向量机来解决回归问题是一种新的视角,有着光明的前景。本文最后对神经网络学习和支持向量机学习的研究领域仍需进一步研究的课题提出了自己的见解。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 工程预测方法的研究现状
• 1.3 支持向量机方法的发展及研究现状
• 1.4 本文研究的目的和意义
• 1.5 主要内容及技术路线
• 第2章 运量预测与投资估算的方法研究
• 2.1 传统的运量预测方法
• 2.1.1 时间序列预测法
• 2.1.2 回归分析法
• 2.1.3 灰色预测法
• 2.1.5 指数平滑预测法
• 2.2 投资估算的研究现状
• 2.2.1 工程项目投资控制的现状
• 2.2.2 选择支持向量机用于投资估算的原因
• 2.3 人工神经网络的基本理论
• 2.3.1 神经网络的特点
• 2.3.2 人工神经网络模型
• 2.3.3 BP网络理论
• 2.3.4 径向基函数（RBF）神经网络理论
• 2.3.5 神经网络存在的问题
• 2.4 本章小结
• 第3章 运量预测与投资估算的新方法—支持向量机
• 3.1 统计学习理论的主要思想
• 3.1.1 经验风险最小化原则
• 3.1.2 VC维
• 3.1.3 推广性的界
• 3.1.4 结构风险最小化
• 3.2 支持向量机分类（SVC）
• 3.2.1 最大间隔原则
• 3.2.2 线性SVM
• 3.3 核函数
• 3.3.1 构造和选择核函数
• 3.3.2 核函数的作用及核参数的影响
• 3.3.3 支持向量机中参数C的影响
• 3.4 支持向量机回归理论（SVR）
• 3.4.1 损失函数
• 3.4.2 ε-支持向量回归机
• 3.4.3 非线性回归估计
• 3.4.4 两种回归估计优化算法
• 3.5 本章小结
• 第4章 支持向量机在铁路工程中的应用
• 4.1 支持向量机在工程预测中的计算流程
• 4.1.1 样本的采集与预处理
• 4.1.2 参数选择
• 4.1.3 模型评价方法
• 4.2 基于SVM的铁路客运量预测模型研究
• 4.2.1 实例准备
• 4.2.2 BP神经网络预测模型
• 4.2.3 SVM预测模型
• 4.3 基于SVM的铁路工程投资估算模型研究
• 4.3.1 实例准备
• 4.3.2 RBF神经网络预测模型
• 4.3.3 SVM网络模型
• 4.4 神经网络与支持向量机仿真结果分析
• 4.4.1 学习能力
• 4.4.2 泛化能力
• 4.4.3 收敛速度
• 4.4.4 最优解
• 4.5 小结
• 第5章 总结与展望
• 5.1 论文总结
• 5.2 研究展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文