[發明專利]一種基于支持向量機的參數自適應的運動預測方法

無效

• 申請號: 201010601695.0
• 申請日: 2010-12-23
• 公開（公告）號: CN102024180A
• 公開（公告）日: 2011-04-20
• 發明（設計）人: 龐紅霞;馮華君;徐之海;李奇
• 申請（專利權）人: 浙江大學
• 主分類號: G06N5/04
• 分類號: G06N5/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

技術領域

本發明屬于計算機人工智能技術領域，具體涉及一種基于支持向量機的參數自適應的運動預測方法。

背景技術

運動預測是指對歷史數據進行建模分析總結出運動規律對未來的運動軌跡進行提前預測，在很多領域得到重要的研究和應用，如機器人運動控制、移動目標搜索跟蹤、視頻圖像處理和壓縮、成像系統的穩像技術、地震天氣預測和移動網絡用戶位置預測等。而支持向量機是現今用于建模學習實現預測的有效工具。

支持向量機(Support?Vector?Machine，SVM)是1970年代Vapnik結合統計理論的VC維數理論和最小風險化原則提出的機器學習新方法，該方法針對有限小樣本信息仍然具有很好的泛化能力。SVM其實是一個凸二次規劃問題，解決了神經網絡的過學習和陷于局部最優解的難題，同時由于采用了核函數將數據向高維空間映射，將非線性問題轉換成線性的二次規劃問題，有效地克服了維數災難。支持向量機，在模式識別(字符識別、文本自動分類和人臉檢測等)、圖像分類和檢索、函數逼近、時間序列預測、故障識別和預測、信息安全、電力系統電力電子和控制論領域都得到廣泛應用。

然而SVM的性能很大程度上取決于參數的選擇，因此核參數的準確選擇是SVM精準預測的關鍵步驟，也是SVM的研究領域的熱點和難點。早期遺傳算法、混沌算法和人工免疫方法都相繼用到參數自適應優化，但是這些算法不僅復雜而且準確率和適用性上都有針對性，沒有普適性，沒有得到廣泛應用和認可，大多仍采用高精度低效率的網格搜索和交叉驗證(Cross?Validation，CV)相結合的方法來實現支持向量機參數優化。本發明提出了一種啟發式的近似直線搜索方法來尋找到最優的支持向量機參數。

發明內容

本發明提供了一種基于支持向量機的參數自適應的運動預測方法，該方法運算效率和運算精度均較高。

一種基于支持向量機的參數自適應的運動預測方法，包括：

(1)根據預測模型的需要建立SVM標準動態序列數據格式，確定連續數據個數k和預測時間間隔大小m，將得到的N個隨時間變化的顫振位移樣本數據轉換為SVM標準動態序列數據格式，并對數據極值歸一化，得到的極值歸一化值一致加上小數ω，最后得到處理后的樣本數據；

(2)對經步驟(1)得到處理后的樣本數據，在SVM參數對數空間坐標系[C’γ’]網格中用最小均方誤差原則進行三像素寬度直線搜索訓練，找到最優參數對[C^*γ^*]，該最優參數對所對應的模型即為最優預測模型；具體步驟為：

(i)對網格中心點處45度方向上的若干近鄰點和中心點進行SVM訓練預測，其中交叉驗證誤差最小點，即為近似直線的一個端點A；

(ii)對網絡兩個鄰邊上的點進行SVM訓練預測，搜索得到的最小交叉驗證誤差點即為近似直線的另一個端點B；

(iii)計算由端點A和端點B確定的直線的斜率，在該條直線的上下三個像素寬度的范圍內搜索訓練，得到交叉驗證誤差最小的點，即為最優參數對[C^*γ^*]；

(3)先實時采樣k個顫振位移，組成k個寬度的動態窗口，并按同步驟(1)中的方法進行歸一化處理，然后一致加上ω，用步驟(2)得到的最優預測模型來預測m個時刻后的顫振位移，輸出預測值；進行下一次預測時，將動態窗口的每一個數據往前移一位，同時將實時采樣到的這個時刻的顫振數據填入動態窗口最后一位，用步驟(2)中求得的最優預測模型進行預測，如此反復數據采樣更新動態窗口實現連續實時預測，并輸出預測值；輸出的預測值都需要反歸一化處理得到實際的顫振位移預測值；

上述步驟中ω滿足：0.005≤ω≤0.02。

本發明采用交叉驗證方法(cross?validation，CV)來進一步提高SVM訓練預測的精度，交叉驗證方法是將樣本測試數據分成n個子集，每個子集輪流作為測試集，n-1個子集一起作為訓練集進行n次訓練預測分析，比較n次的預測結果找到最好的預測模型，因此SVM評價指標采用的是交叉驗證誤差(CV-error)。