Xem trước tài liệu

Đang tải tài liệu...

Thông tin chi tiết tài liệu

Định dạng: PDF
Số trang: 76 trang
Dung lượng: 981 KB

Giới thiệu nội dung

Nghiên Cứu Mô Hình Relevance Vector Machine (RVM) Áp Dụng Giải Một Số Bài Toán Thực Tế

Tác giả: Lê Quốc Vương

Lĩnh vực: Máy Tính

Nội dung tài liệu:

Luận văn này tập trung nghiên cứu mô hình Relevance Vector Machine (RVM) và ứng dụng của nó trong việc giải quyết các bài toán thực tế, đặc biệt là trong lĩnh vực dự báo chuỗi thời gian kinh tế. Nghiên cứu xem xét các hạn chế của phương pháp trung bình di động truyền thống và đề xuất các giải pháp khắc phục bằng cách ứng dụng mô hình RVM/SVM. Luận văn cũng đi sâu vào cơ sở lý thuyết của các mô hình Support Vector Machine (SVM) và RVM, bao gồm các phương pháp phân loại và hồi quy, cũng như các khái niệm cơ bản về chuỗi thời gian và chuỗi ARIMA. Các thuật toán đề xuất được xây dựng và thực nghiệm trên các bộ dữ liệu mẫu để đánh giá hiệu quả.

Mục lục chi tiết:

  • Trang phụ bìa
  • Lời cam đoan
  • Lời cảm ơn
  • Mục lục
  • Danh mục thuật ngữ và viết tắt
  • Danh mục các bảng
  • Danh mục các hình vẽ
  • Chương 1. Mở đầu
    • 1.1. Đặt vấn đề
    • 1.2. Mục tiêu luận văn
    • 1.3. Nội dung thực hiện
    • 1.4. Bố cục luận văn
  • Chương 2. Cơ sở lý thuyết
    • 2.1. Mô hình Support Vector Machine (SVM)
      • 2.1.1. Ý tưởng của SVM
      • 2.1.2. SVM đối với bài toán phân loại
        • 2.1.2.1. SVM với lề cứng (hard margin)
        • 2.1.2.2. SVM với lề mềm (soft margin)
      • 2.1.3. Hàm hạt nhân (kernel function)
      • 2.1.4. SVM đối với bài toán hồi quy
    • 2.2. Mô hình Relevance Vector Machine (RVM)
      • 2.2.1. RVM đối với bài toán hồi quy
      • 2.2.2. RVM đối với bài toán phân loại
      • 2.2.3. Một số hàm cơ sở (basis functions)
    • 2.3. Chuỗi thời gian (Time Series)
      • 2.3.1. Ví dụ và các khái niệm về chuỗi thời gian
      • 2.3.2. Các nguyên lý phân rã (decompositions)
      • 2.3.3. Dữ liệu tách mùa (seasonally adjusted data)
      • 2.3.4. Trung bình di động (Moving average)
      • 2.3.5. Phương pháp phân rã cổ điển (classical decomposition)
      • 2.3.6. Phương pháp phân rã X-12-ARIMA
      • 2.3.7. Phương pháp phân rã STL
    • 2.4. Chuỗi ARIMA
      • 2.4.1. Nhiễu trắng (white noise)
      • 2.4.2. Phép toán quay lui (Backshift) và sai phân (Difference)
      • 2.4.3. Tính dừng (stationarity) của chuỗi thời gian
      • 2.4.4. Mô hình ARIMA
        • 2.4.4.1. Mô hình tự hồi quy (AR – Auto Regressive)
        • 2.4.4.2. Mô hình trung bình di động (MA – Moving Average)
        • 2.4.4.3. Mô hình ARMA (Auto Regressive Moving Average)
        • 2.4.4.5. Mô hình ARIMA (Auto Regressive Integrated Moving Average)
      • 2.4.5. Mô hình SARIMA (Seasonal ARIMA)
      • 2.4.6. Phương pháp luận Box – Jenkins
  • Chương 3. Phương pháp đề xuất
    • 3.1. Hạn chế của trung bình di động và đề xuất phương pháp khắc phục
      • 3.1.1. Hạn chế của trung bình di động
      • 3.1.2. Ứng dụng RVM/SVM vào các thuật toán phân rã chuỗi thời gian
      • 3.1.3. Đề xuất hướng khắc phục hạn chế của trung bình di động
    • 3.2. Đề xuất thuật toán phân rã chuỗi thời gian
      • 3.2.1. Ý tưởng
      • 3.2.2. Thuật toán
  • Chương 4. Thực nghiệm
    • 4.1. Quy trình thực nghiệm
      • 4.1.1. Dữ liệu
      • 4.1.2. Phương pháp thực hiện
      • 4.1.3. Độ đo sử dụng để so sánh tính hiệu quả của thuật toán
    • 4.2. Kết quả thực nghiệm và đánh giá
      • 4.2.1. Thuật toán phân rã chuỗi thời gian
      • 4.2.2. Dự báo của thuật toán phân rã
  • Chương 5. Tổng kết
    • 5.1. Kết luận
    • 5.2. Hướng phát triển
  • Tài liệu tham khảo