[发明专利]均方误差与平方复相关系数同时优化的支持向量回归方法

权利要求书

1.一种均方误差与平方复相关系数同时优化的支持向量回归方法，其特征在于，所述方法包括以下步骤：

S1：分割与归一化处理数据集；

S2：初始化支持向量回归设置参数组；

S3：以均方误差与平方复相关系数为多目标，不断更新支持向量回归设置参数组；

S4：输出优化支持向量回归设置参数以及对应的均方误差与平方复相关系数。

2.根据权利要求1所述的一种均方误差与平方复相关系数同时优化的支持向量回归方法，其特征在于，所述S1的具体步骤如下：

S1-1：针对已知数据集，归一化处理数据集；

S1-2：按一定分割比例将数据集分割成训练集、验证集、测试集。

3.根据权利要求2所述的种均方误差与平方复相关系数同时优化的支持向量回归方法，其特征在于，所述S2的具体步骤如下：

S2-1：支持向量回归设置参数组SVRPara表示为{SVRPara₁,SVRPara₂,···,SVRPara_n}，SVRPara_i表示SVRPara内第i个成员，1≤i≤n，i为正整数，SVRPara_i属性为{K,C,γ,ε,coef}，其中，K表示核函数类型，C表示惩罚因子，γ表示核宽系数，ε表示损失函数系数，coef表示核函数内的常量系数；

S2-2：设定每个参数的取值范围，K＝{径向基函数，sigmoid函数}，C上限为ub_C，C下限为lb_C，γ上限为ub_γ，γ下限为lb_γ，ε上限为ub_ε，ε下限为lb_ε，coef上限为ub_coef，coef下限为lb_coef；

S2-3：在变量范围内随机初始化参数组SVRPara，生成n个成员。

4.根据权利要求3所述的均方误差与平方复相关系数同时优化的支持向量回归方法，其特征在于，所述S3的具体步骤如下：

S3-1：设定最大迭代次数max_iter，参数组SVRPara内两个成员相邻的判断系数为Rc，计数变量t＝1；

S3-2：目标组OBSET属性为{MSE,1-r²}，所有目标值越小越优，其中，MSE为均方误差，其计算公式如公式(1)所示：

其中，公式(1)中l表示数据集中预测数据的个数，为正整数，1≤j≤l；y_j表示原始被预测数据，表示预测数据；

r²为平方复相关系数，其计算公式如公式(2)所示：

其中，r²的范围为0到1，越接近1越优，通过1-r²的操作让其转变为(1-r²)的值越小越优，若公式(2)中，分母恰好为0时，将r²赋值为0；

矩阵Arch用于存储多个目标组以及对应的SVRPara_i，设定矩阵Arch最大存储个数MaxSize，当前最优目标组OBSET_opt初始赋值为{100000,100000}；

S3-3：基于支持向量回归设置参数组SVRPara，使用ε型支持向量回归对训练集进行训练，并对验证集进行预测，得到n个目标组OBSET_k，OBSET_k为第k个目标组计算值，k为正整数，1≤k≤n；

S3-4：采用公式(3)将n个目标组OBSET_k分别依次与OBSET_opt进行比较，

judge＝all(OBSET_k≤OBSET_opt)any(OBSET_k＜OBSET_opt) (3)；

其中，judge表示判断系数，为1或0；all函数表示检测是否全为非零元素，如果全是，则返回1，否则，返回0；any函数表示检测是否有非零元素，如果有，则返回1，否则，返回0；如果judge等于1，将其值赋值给OBSET_opt并存入矩阵Arch；

S3-5：如果矩阵Arch存储的数量达到MaxSize，通过轮盘赌方式删除掉一个目标组以及对应的SVRPara_i；

S3-6：使用公式(4)更新SVRPara中的每个成员，

SVRPara_i^t+1＝SVRPara_i^t+ΔSVRPara_i^t+1 (4)；

式(4)中，ΔSVRPara_i^t+1表示第t+1代的第i个SVRPara成员的更新步长，可由公式(5)得到：

式(5)中，ΔSVRPara_i¹根据S2的过程随机生成，w＝0.9-t((0.9-0.2)/max_iter)，SVRPara_m为与SVRPara_i相邻的第m个成员，相邻的判断方法为两者的欧式距离小于等于Rc，N为与SVRPara_i相邻成员的个数，SVRPara⁺和SVRPara^-为从矩阵Arch中随机抽取的支持向量回归设置参数，s，a，z，e和f根据公式(6)计算得到，

式(6)中，如果s，a，z，e中有数小于0，则让其等于0，rand表示0到1之间的随机数；

S3-7：如果计数变量tmax_iter，得到最终的矩阵Arch，转至S4；否则，转至S3-3。