[发明专利]具有精确预测因子的支持向量逻辑回归方法及存储介质

权利要求书

1.一种具有精确预测因子的支持向量逻辑回归方法，其特征在于，包括：

构建输入数据集x_i的矩阵A；

基于上述矩阵A构建非线性预测函数其中，和为模糊系数；

根据上述非线性预测函数构建出三个支持向量回归模型；

对上述三个支持向量回归模型进行模型参数求解；

对上述三个支持向量回归模型进行误差检验和预测性能检验。

2.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述构建输入数据的矩阵A包括以下步骤：

构建噪声损坏的训练集合其中，x_i∈Rⁿ，x_i对应的观测值为第i次观察成功的可能性；

将输入值x_i排列在n行m列的矩阵A中，其中，第i行的值为

将作为观察模糊值的向量。

3.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述构建非线性预测函数包括以下步骤：

获取核矩阵K(A,A^t)，使得(K(A,A^t))_ij＝K(x_i,x_j)；

响应于x∈R^m，则以K(x,A^t)＝(K(x,x₁),…,K(x,x_m))为行向量；

构建非线性预测函数

其中，w＝(w₁,…,w_m)^T，l_w＝(l_w1,l_w2…,l_wm)^T，r_w＝(r_w1,r_w2…,r_wm)^T；

4.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述支持向量回归模型的构建包括以下步骤：

响应于K(A,A^t)为正数，则上述非线性预测函数等价于(f(x)；l_f(x)；r_f(x))_T＝(K(x,A^t)w+b；K(x,A^t)l_w+l_b；K(x,A^t)r_w+r_b)_LR，以得出三个支持向量回归模型：

v＝f(x)＝K(x,A^t)w+b (4)

l_v＝l_f(x)＝K(x,A^t)l_w+l_b (5)

r_v＝r_f(x)＝K(x,A^t)r_w+r_b (6)。

5.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述模型参数求解包括以下步骤：

采用三阶段优化算法模糊系数；

在目标函数值最小时分析基于散点图的模糊响应估计值

估计普通支持向量回归模型的未知系数和回归分量的值；

通过指数网格搜索在集合{10^-5,10^-4,…,10⁴,10⁵}中搜索上述支持向量算法中正则化参数c,c_l,c_r的最佳值，以得出改进后的支持向量回归模型。