回归预测 | MATLAB实现CNN-SVM卷积支持向量机多输入单输出回归预测

杨利霞

回归预测 | MATLAB实现CNN-SVM卷积支持向量机多输入单输出回归预测
4 g$ Y3 X) }$ [7 e# s- h  L
, B( K% k! b+ n  {' K( D+ T回归预测 | MATLAB实现CNN-SVM卷积支持向量机多输入单输出回归预测
: z2 y$ w! q4 V目录
- Q& v/ K$ g9 U( B$ o* w回归预测 | MATLAB实现CNN-SVM卷积支持向量机多输入单输出回归预测
基本介绍
研究回顾
模型描述
' ~1 x% y2 a" X& Q  L! [2 d程序设计
参考资料
9 s1 |+ @6 C* x5 j* [基本介绍
, k! m' a( ^2 y, E5 XCNN-SVM预测模型将深度学习模型作为特征学习器，将SVM 支持向量机 作为训练器进行回归预测。在深度学习模型中，卷积神经网络模型的卷积层和池化层具有强大的计算能力，能够降低图像在平移过程中的损失率，从而特征向量的影响会大大减少，经过不同的卷积层和池化层，可以有效地控制模型的拟合能力从而降低了拟合过程中特征向量的维数。

: g% y' O; c/ r5 W% f0 ]研究回顾
, s% w" P# G! K) E, J1 E目前，国内外学者对污染物浓度预测方面的研究颇多，现有的污染物浓度预测模型主要分为机理模型、统计模型和深度学习模型。
基于机理模型的预测方法是通过物理化学过程进行模拟，其相关过程较为复杂，建模难度大，预测精度难以提升。
9 J4 m8 v8 s- V( @; C基于统计模型的预测方法是根据历史变化规律构建预测模型，常用的模型有BP 神经网络、ARIMA、RBF、SVM等。
深度学习模型可以通过对大量数据特征进行学习，基于时间序列或综合因素对变化进行预测提高预测精度，如CNN、RNN、LSTM等。
+ b& p, Y( ]8 ?) D模型描述
$ k2 M* b( q! X5 R( H8 \. TSVM 支持向量机基于核函数思想，将非线性映射作为理论基础映射高维空间，由非线性转变为线性可分，再以最大化分类间隔为目标寻找最优分类超平面（分类函数）。本次CNN 与SVM 模型结合，主要利用SVM 的hinge loss 形式的损失函数。
! u  M7 x  C  \0 c
7 o6 c: Z- C% q) E0 R% m本次构建的CNN-SVM 卷积支持向量机多输入单输出回归预测模型以卷积神经网络结构为基础，建立完整的CNN 模型。通过训练数据获取卷积层权重参数，然后将卷积层输出结果作为SVM 输入特征向量进行训练，最后进行预测。
9 _  x4 n9 v7 E4 R! ?CNN 模型不需要复杂的预处理，可以从输入的信息中自动进行特征挖掘和提取，随着网络不断向后传递，由浅到深对特征进行融合。
% h7 ]' j4 A' {2 [& A
# k+ e2 w- m" T1 N
支持向量机（SVM）适用于处理非线性的小样本数据，通过输入融合值，将二维输入空间映射到高维空间，在高维空间中构造一个最优决策函数从而处理在二维空间中的预测回归问题。
1 K) u4 h; c) D0 Z- j2 t5 h) b评价指标：

6 F8 R  T  R  f. ]) r


程序设计
1 [6 p! q+ f; z4 d
; ^( s: s( ^  a0 t) }1 f: h8 \$ B* l
" H9 B& w. L5 V3 I$ l# F& j参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/126378086?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/126358211?spm=1001.2014.3001.5501
9 O: T* T& Y0 q2 v1 C[3] https://blog.csdn.net/kjm13182345320/article/details/126337343?spm=1001.2014.3001.5501
[4] ZHOU Cheng, LI Shaoluo SUN Youmin, et al. Influence of motor vehicles on air quality in urban
areas based on the CMAQ model[J]. Research of Environmental Sciences, 2019,32(12):2031-2039.
————————————————
版权声明：本文为CSDN博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
8 P6 C  ]0 v, Y原文链接：https://blog.csdn.net/kjm13182345320/article/details/126750911


& Y: E& s, E+ h0 m$ K