haku: @keyword model selection / yhteensä: 6
hakutulos-lista
viite: 5 / 6
« edellinen | seuraava »
Tekijä:Ji, Yongnan
Työn nimi:Least Squares Support Vector Machines For Time Series Prediction
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2005
Sivut:12+67      Kieli:   eng
Koulu/Laitos/Osasto:Sähkö- ja tietoliikennetekniikan osasto
Oppiaine:Informaatiotekniikka   (T-115)
Valvoja:Simula, Olli
Ohjaaja:Lendasse, Amaury
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark S80     | Arkisto
Avainsanat:time series prediction
LS-SVM
regressor length
model selection
hyperparameter selection
aikasarjojen ennustus
LS-SVM
regressorin pituus
mallin valinta
Hyperparametrien valinta
Tiivistelmä (fin):Tässä työssä aikasarjaennustusta tarkastellaan mallinnusongelmana.
Sitä varten aikasarjan arvot muutetaan syötematriisiksi eli regressiomatriisiksi ja syötetään pienimmän neliösumman tukivektorikoneelle (LS-SVM), joka pyrkii ratkaisemaan mallinnusongelman.

Kuten perinteiset tukivektorikoneet (SVM), myös LS-SVM on kerneleihin perustuva oppiva järjestelmä, mutta se ei tarvitse konveksia optimointia kuten SVM.
Sen sijaan LS-SVM pärjää lineaarisen yhtälöryhmän ratkaisemisella ja on siten huomattavasti nopeampi ja yksinkertaisempi.

Regressiomatriisin käyttö vaatii kuitenkin sen leveyden määrittämisen etukäteen, kuten käytettäessä miltei mitä tahansa neuroverkkoa.
Kun matriisin leveyttä kasvatetaan, kasvaa samalla syötevektoreiden dimensio, joka heikentää neuroverkon suorituskykyä (curse of dimensionality).
Tässä työssä tarkastellaan matriisin leveyden vaikutusta LS-SVM mallin toimintaan.

Kaikille kerneleihin perustuville malleille yhteinen ongelma on kernelin valinta.
Jos käytetään tavallista Gaussin kerneliä, täytyy etukäteen valita kaksi hyperparametria, kernelin leveys sekä sakkotermi.
Näiden valitsemiseen esitellään useita eri menetelmiä, kuten uusi, nopea hyperparametrien valintamenetelmä.
Tässä työssä esitettyjen kokeiden tulosten perusteella uusi menetelmä antaa nopeita, mutta myös tarkkoja valintoja hyperparametrien arvoiksi.
ED:2005-12-01
INSSI tietueen numero: 30041
+ lisää koriin
« edellinen | seuraava »
INSSI