مروری بر بکارگیریSVR در مسائل پیش بینی و بررسی روشهای تنظیم پارامترهای SVR

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 6,992

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCOS02_055

تاریخ نمایه سازی: 5 مهر 1393

چکیده مقاله:

پیشبینی فرایندی است که طی آن بر اساس دادههای گذشته، اطلاعات و آگاهی از آینده بدست میآید. دامنه ی کاربرد ی بسیار گستردهی ابزارهای پیشبینی، نشان دهندهی اهمیت این ابزارها است. یکی از روشهای داده کاوی که برای پیش بینی استفاده میشود رگرسیون بردار پشتیبان (SVR) است.در سال های اخیر SVR توسط بسیاری از محققین برای پیش بینی در زمینه های مختلف بکار گرفته شده است. چالش مهم برای بکار گیری SVR در حل مسایل پیشبینی، تعیین پارامترهای آن است. مقادیر پارامترهای SVR تاثیر بسیار زیادی در دقت پیش بینی انجام شده توسط SVR دارد. یکی دیگر از مسایلی که در مورد بکارگیری SVR باید به آن توجه داشت نوع تابع هسته (کرنل) بکار گرفته شده در پیاده سازی SVR است. در این مقاله ضمن مرور تحقیقات مختلفی که SVR را بکار گرفته اند، روش های تنظیم پارامترهای SVR دسته بندی و مقایسه شده است.

نویسندگان

امیرمحمد توکلی

دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران

جلال رضایی نور

دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران

اسماعیل هداوندی

دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • معاونت آموزشی، پژوهشی و فرهنگی سازمان سما دانشکده فنی و ...
  • C. Cortes and V. Vapnik, _ _ upport-vector networks, " ...
  • H. Drucker, C. J. C. Burges, L. Kaufman, C. J. ...
  • A. B. Gandhi, J. B. Joshi, A. A. Kulkarni, _ ...
  • recurrence quantification analysis of LDA time-series, " Int. J. Multiph. ...
  • M. Castro-Neto, Y.-S. Jeong, M.-K. Jeong, and L. D. Han, ...
  • J. Ma, J. Theiler, and S. Perkins, Online Support Vector ...
  • Regression, " Neural Comput., vol. 15, pp. 2683-2703, 2003. ...
  • V. Cherkassky and Y. Ma, :Practical selection of svm parameters ...
  • J. Guajardo, R. Weber, and J. Miranda, _ Forecasting Methodology ...
  • J. I. Park and M. K. Jeong, Recursive Support Vector ...
  • Chi-jie Lu, Tian-Shyug Lee, and Chia-Me Lian, "Sales Forecasting of ...
  • Fong-Ching Yuan and Chao-Hui Lee, "Sales Volume Forecasting Decision ...
  • Models, " Technol. Appl. Artif. Intell. TAAI 2011 Int. Conf., ...
  • Pai, Ping-Feng, Hong, Wei-Chiang, ...
  • Machines to Forecast Tourist Arrivals in Barbados: An Empirical Study, ...
  • C.-C. Yang and M.-D. Shieh, "A support vector regression based ...
  • W.-C. Hong, Y. Dong, L.-Y. Chen, and S.- Y. Wei, ...
  • forecasting, " Impact Soft Comput. Prog. Artif. Intell., vol. 11, ...
  • نمایش کامل مراجع