位置:成果数据库 > 期刊 > 期刊详情页
Malliavin分析在下方约束最优投资组合中的应用
  • 期刊名称:东华大学学报(自然科学版)
  • 时间:2011.2.15
  • 页码:115-119
  • 分类:TP18[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程]
  • 作者机构:[1]安徽工程大学数理学院,安徽芜湖241000
  • 相关基金:国家自然科学基金(No.10826098,No.71171003); 安徽工程科技学院青年基金资助项目(No.2008YQ038); 安徽省自然科学基金资助项目(No.090416225); 安徽高校自然科学基金资助项目(No.KJ2010A037)
  • 相关项目:Knight不确定环境下最优消费和投资问题研究
中文摘要:

支持向量机(SVM)的核函数类型和超参数对预测的精度有重要影响。由于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入果蝇优化算法(FOA)对最小二乘支持向量机(LSSVM)参数进行全局寻优,提出了混合核函数FOA-LSSVM预测模型。结果表明,该模型较传统方法在电力负荷预测精度上有了明显提高,预测结果科学可靠,在预测中具有良好的实际应用价值。

英文摘要:

The kernel and the parameters of Support Vector Machine(SVM)have a significant impact on precision. In view of better learning capability of local kernels and better generalization capability of global kernels, the mixed kernel is constructed by a typical local kernel-Radial Basis Function(RBF)and a typical global kernel-polynomial kernel. By use of Fruit Fly Optimization Algorithm(FOA), a novel FOA-LSSVM model with mixed kernels is set up in this paper. Results demonstrate that the new model has great accuracy than traditional methods and has real application value in forecasting.

同期刊论文项目
同项目期刊论文