淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-2007201012424700
中文論文名稱 模糊支援向量迴歸之構建與分析
英文論文名稱 Analysis for fuzzy support vector regression model
校院名稱 淡江大學
系所名稱(中) 管理科學研究所碩士班
系所名稱(英) Graduate Institute of Management Science
學年度 98
學期 2
出版年 99
研究生中文姓名 梁耀云
研究生英文姓名 Yao-Yun Liang
學號 697621067
學位類別 碩士
語文別 中文
口試日期 2010-06-23
論文頁數 75頁
口試委員 指導教授-曹銳勤
委員-傅敬群
委員-陳怡妃
中文關鍵字 支援向量機  模糊迴歸  支援向量迴歸 
英文關鍵字 Supper Vector Machine  Fuzzy Regression  Supper Vector Regression Machine 
學科別分類 學科別社會科學管理學
中文摘要 近年來,學者們利用支援向量機的基本想法於多變量模糊(非)線性迴歸,獲得求解的計算效率。然而求解模糊支援向量迴歸模式仍然複雜,並且當參數皆為模糊數(例如: )時仍無法求解,因此我們採用Carlsson & Fuller (2001) 提出的模糊數可能性平均數當作限制式,建構了更簡易求解的模糊支援向量迴歸模式,依照參數定義為模糊數與否一共有了六種不同的模式。
透過在資料分析的圖中,我們可以發現模式5 求解出的預測結果與原始資料配置的程度相當高,以誤差均方根(Root Mean Square Error ; RMSE)越小,模型預測精確度越高的特性來衡量預測模型優劣,RMSE達到了1.3134。於是我們根據 Carlsson & Fuller (2001) 提出的模糊數可能性平均數這個概念,所建構的模糊支援向量迴歸模式是一個可行的方法,並且應用於預測上相當精準。
英文摘要 In recent years,introduce the use of SVM for multivariate fuzzy linear and nonlinear regression models with efficiency solutions. However, fuzzy support vector regression model is still complicated to slove the parameters which are all fuzzy numbers. In order to cope with this problem, we adopt the fuzzy possibilistic mean method proposed by Carlsson & Fuller (2001)which is more easily to slove fuzzy support vector regression model. According to parameters are fuzzy numbers or not, there are six kinds of models.
Fnally, in data analysis, we can find forecasting vales in our proposed models are fitting very well using RMSE. It is obviously that our proposed fuzzy support vector regression model can be applied to forecast with better forecasting performance
論文目次 目錄
目錄 I
圖目錄 III
表目錄 IV
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 論文架構 2
第二章 文獻探討 4
2.1 模糊理論簡介 4
2.2 模糊集合與 level集合 5
2.3 模糊數及其運算 6
2.4 模糊迴歸模式簡介 9
2.5 模糊迴歸模式發展近況 9
2.5.1 模糊迴歸模式之構建 10
2.5.2 模糊迴歸模式之參數估計 11
2.6 支援向量機簡介 14
2.7 支援向量迴歸 14
2.7.1 線性支援向量迴歸估計 15
2.7.2 非線性支援向量迴歸估計 20
2.8 模糊支援向量迴歸 24
2.9 模糊數之可能性期望值 26
第三章 模糊支援向量迴歸模式 28
3.1 模糊支援向量迴歸對偶模式 43
第四章 資料分析 56
4.1 模糊支援向量迴歸模式之確立:以模式1為例 58
4.2 其他模式之資料分析結果 64
第五章 結論與未來研究 71
5.1 結論 71
5.2 未來研究 72
參考文獻 73

圖目錄
圖1.1 研究流程圖 3
圖2.1 -LEVEL集合 6
圖2.2大約5的模糊數 6
圖2.3 梯型模糊數的歸屬函數圖形 7
圖2.4 三角型模糊數的歸屬函數圖形 8
圖2.5 、 與 的關係與位置分佈 10
圖 2.6 、 和 的關係對應圖 12
圖2.7 線性支援向量迴歸模式示意圖 15
圖2.8資料為非線性分類 20
圖2.9 資料映射到特徵空 20
圖2.10 資料由輸入空間轉換至特徵空間 21
圖4.2 模式1限制式為上界及中心值之概念與原始資料分析比較 60
圖4.3 模式1限制式為上界及中心值之概念與原始資料分析比較 62
圖4.4 模式1限制式為上界及下界之概念與原始資料分析比較 63
圖4.5 模式2之模糊支援向量迴歸模式與原始資料分析比較 65
圖4.6 模式 5之模糊支援向量迴歸模式與原始資料分析比較 66
圖4.7 模式6 之模糊支援向量迴歸與原始資料分析比較 67
圖4.8模式3之模糊支援向量迴歸模式與原始資料分析比較 69
圖4.9 模式 4之模糊支援向量迴歸與原始資料分析比較 70



表目錄
表4.1 模糊輸入資料與模糊輸出資料 57
表4.2 明確輸入資料與模糊輸出資料 57
表4.3 試行數值之RMSE 58
表4.4 求解限制式為上界、中心值及下界之概念結果 59
表4.5 試行數值之RMSE 60
表4.6求解限制式為上界及中心值之概念結果 60
表4.7 試行數值之RMSE 61
表4.8求解限制式為下界及中心值之概念結果 61
表4.9 試行數值之RMSE 62
表4.10求解限制式為上界及下界之概念結果 63
表4.11 試行數值之RMSE 64
表4.12求解模式2之模糊支援向量迴歸結果 64
表4.13 試行數值之RMSE 65
表4.14求解模式 5之模糊支援向量迴歸模式結果 66
表4.15 試行數值之RMSE 67
表4.16求解模式6之模糊支援向量迴歸模式結果 67
表4.17 試行數值之RMSE 68
表4.18求解模式3之模糊支援向量迴歸模式結果 68
表4.19 試行數值之RMSE 69
表4.20求解模式 4之模糊支援向量迴歸模式結果 70
參考文獻 一、英文參考文獻
1. B.E. Boser, I.M. Guyon, and V. Vapnik. 1992. A training algorithm for optimal margin classifiers. Proceedings of the Fifth annual workshop on Computational learning theory. Pittsburgh, Pennsylvania, United States : 144-152.
2. A. Bellili, M. Gilloux and P. Gallinari. 2001. An hybrid mlp-svm handwritten digit recognizer. International Conference on Document Analysis and Recognition.
3. A. Celmins. 1987. Least Squares Model fitting to fuzzy vectoe data. Fuzzy Sets and Systems. 22: 669-690
4. C. Carlsson and R. Fuller. 2001. On possibilistic mean value and variance of fuzzy numbers. Fuzzy Sets and System. 122: 315-326.
5. C. Cortes and V. N. Vapnik. 1995. Support vector networks. Machine Learning. 20: 273-297.
6. P. Diamond. 1988. Fuzzy least square. Information Sciences. 46: 141-157.
7. S. Gunn. 1998. Support vector machines for classification and regression. ISIS Tech.
Report. University of Southampton.
8. G. Guo, S. Z. Li and K. L. Chan. 2001. Support Vector Machines for Face Recognition. Image And Vision Computing. 19 : 631-638.
9. D. H. Hong and C. Hwang. 2003. Support vector fuzzy regression machines.
Fuzzy Sets and Systems. 138: 271–281.
10. P. Y. Hao and J. H. Chiang. 2003. A fuzzy model of support vector regression machine. IEEE Int. Conf. On Fuzzy Systems. 1: 738-742.
11. P. Y. Hao and J. H. Chiang. 2007. A fuzzy model of support vector regression machine. International Journal of Fuzzy Systems. 9(1): 45-50.
12. T. Joachimes. (1996). Text categorization with support vector machines. Technical Report . ftp://ftp-ai.informatik.unidortmund.de/pub/Reports/report23.ps.z.
13. K.J. Kim, H. Moskowitz and M. Koksalan. 1996. Fuzzy versus statistical linear
regression. European Journal of Operation Research. 92: 417-434.
14. M. Sakawa and H. Yano. 1992. Multiobjective fuzzy linear regression analysis for
fuzzy input-output data. Fuzzy Sets and Systems. 47: 173-181.
16. M. Schmidt. (1996). Identifying speaker with support vector networks. Interface ‘96 Proceedings, Sydney.
17 K. Shima, M. Todoriki and A. Suzuki. 2004. SVM-Based Feature Selection of Latent Semantic Features. Pattern Recognition. 25 : 1051-1057.
18. Simek, K. Fujarewicz, A. Swierniak, M.Kimmel and B. Jarzab. 2004. Using SVD and SVM Methods for Selection, Classification, Clustering and Modeling of DNA Microarray Data. Engineering Applications of Artificial Intelligence. 17 : 417-427.
19. Takeuchi and N. Collier. 2005. Bio-Medical Entity Extraction Using Support Vector Machines. Artificial Intelligence in Medicine. 33 : 125-137.
20. Tanaka, S. Uejima, and K. Asai. 1982. Linear regression analysis with fuzzy model.
IEEE Trans. System, Man and Cybernet.12 (6) : 903-907.
21. H. Tanaka. 1987. Fuzzy data analysis by possibilistic linear models. Fuzzy Sets and
Systems. 24 : 363-375.
22. V.N. Vapnik. 1995. The Natural of Statistical Learning Theory. second edition. New
York : Springer-Verlag.
23. V. Vapnik , S. Golowich, and A. Smola. (1997). Support vector method for function
approximation,regression estimation and signal processing. Advance in Neural
information Processing System. 9 : (281–287). Cambridge: MIT Press.
24. V.N. Vapnik. 1998. Statistical Learning Theory. New York :Wiley.
二、中文參考文獻
25. 王文俊。2005。認識Fuzzy。三版,1-1-6-2。台北:全華科技圖書公司。
26. 吳柏林。2005。模糊統計導論:方法與應用。初版,135-144。台北:五南出版社。
27. 陳耀茂。1999。模糊理論 = Fuzzy theory。初版,1-77。台北:五南出版社。
28. 劉天祥、佟中仁。1993。Fuzzy理論入門。初版,1-96。台北:中國生產力中心。
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2010-07-30公開。
  • 同意授權瀏覽/列印電子全文服務,於2010-07-30起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信