专利名称：模糊支持向量机在话务量预测中的应用方法
技术领域：
本发明涉及一种模糊支持向量机在话务量预测中的应用方法。
背景技术：
基于模糊Takagi-Sugeno-Kang (TSK)模型与ε -不敏感损失函数，通过核技巧，利用模糊隶属函数与现有的核函数，构造了一类新的核函数，即模糊隶属核函数(FMK)。首先利用模糊隶属函数表征先验知识，再根据模糊推理将先验知识的特征结合到核函数的构造过程，从而提高核函数的性能。其次将FMK应用于支持向量回归机中，利用大量的比较实验说明FMK具有良好的性能。一方面将FMK与多项式核、高斯核以及样条核函数进行比较，实验结果表明基于FMK的支持向量回归机(SVRM-FKM)可以利用更少的支持向量，达到更精确的结果。另一方面，比较SVRM-FKM与模糊权重支持向量回归机和TSK模型，前者对总的聚类点的总数变化不敏感，表现出一定的鲁棒性。在支持向量机中，利用核函数的方法，与其他学习机器相比较，主要优点在于它是专门针对有限样本的情况，其目标函数是得到现有信息下的最优解，而不仅仅是样本数趋于无穷大时的最优解；算法最终将转化为一个二次优化问题。从理论上来讲，得到的是全局最优解，从而解决了神经网络中无法避免的局部最小化问题。算法将实际问题通过非线性变换转换到高维的特征空间中，在高维空间中构造核函数来实现原空间中非线性判别函数，使得学习机器有较好的推广能力；同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。因此只要定义不同的核函数，就可以实现许多现有的学习算法。正因为具有这些优点，核函数的理论得到迅速发展，在计算机视觉、文本识别、天气预测等领域都有广泛的应用。当前，大量基于核函数的机器学习的方法，如支持向量机、核费希尔判别以及核主成分分析，不断被提出并得到广泛的应用。应用核函数时，一个关键的问题就是选择和设计核函数。当前在应用核函数方法时，一方面主要是直接应用现有的常用的核函数(如多项式核、Gaussian核及Sigmoid核)，通过参数调整完成学习任务，但会浪费大量的运算时间；另外针对某一领域具体问题，结合一定的先验知识，许多学者进行了核函数的设计与构造的研究。研究表明，通过核函数在学习的过程中融入先验知识可以明显提高学习的效果。 现有的方法均是基于对训练集合的某种假设，利用了确定性的先验知识，却无法将其结合到核函数的设计过程。而在现实生活中，人们常使用不精确的、不完全的或不完全可靠的信息进行推理，即不确定性推理，这就使得核函数方法的应用受到限制。
发明内容
本发明的目的是将利用语言变量或模糊集合描述的先验知识，加入到核函数的设计中，获得一类新的核函数以应用于在话务量预测中。具体而言用模糊隶属函数提取特征，量化先验知识；其次，利用Takagi-Sugen0-Kang(TSK)模型加入先验知识，再通过核技巧，构造核函数，即模糊隶属核函数(FMK)。从而实现生活中不精确的、不完全的或不完全可靠的信息与核函数的结合，即将人的先验知识加入到核函数的设计过程，使得基于核函数 方法在应用时具有更加良好的性能，以应用于话务量的预测，进而提供了一种模糊支持向 量机在话务量预测中的应用。本发明为解决上述技术问题采取的技术方案是本发明所述的模糊支持向量机在话务量预测中的应用方法的具体实现过程为步骤A、模糊隶属核函数构造过程步骤Al、TSK模型的内积表示设ズ=(んち,"ゾブ￡1[だ,铲表示1!维实数空间，乂为论域，Jix=X-
为隶 属函数或可能分布函数。因此，TSK模型的模糊规则表示如下
权利要求
1. 一种模糊支持向量机在话务量预测中的应用方法，其特征在于所述方法的具体实现过程为步骤A、模糊隶属核函数构造过程 步骤Al、TSK模型的内积表示设χ = (xpx2,…,XfJe X Rn表示η维实数空间，X为论域，3 χ:Χ—
为隶属函数或可能分布函数。因此，TSK模型的模糊规则表示如下 R1 IF X1 i
全文摘要
模糊支持向量机在话务量预测中的应用方法，它涉及一种模糊支持向量机在话务量预测中的应用方法。本发明的目的是将利用语言变量或模糊集合描述的先验知识，加入到核函数的设计中，获得一类新的核函数以应用于在话务量预测中。本发明首先利用模糊C-均值聚类算法获得TSK模型的模糊规则的前件中的隶属函数；其次利用ε不敏感损失函数辨识TSK模型后件参数；最后利用核技巧得到由隶属函数或可能性分布函数与现有的核函数获得模糊隶属核函数。本发明以均方误差作为衡量回归效果的性能指标，开展了大量的比较实验，体现FMK具有更好的鲁棒性。
文档编号H04W16/22GK102438257SQ20111025642
公开日2012年5月2日 申请日期2011年9月1日 优先权日2011年9月1日
发明者乔立岩, 刘大同, 彭喜元, 彭宇, 王建民 申请人:哈尔滨工业大学