使用基因規劃與小波轉換增進符號式迴歸引擎之效能 = Performanc...
國立高雄大學電機工程學系碩士班

 

  • 使用基因規劃與小波轉換增進符號式迴歸引擎之效能 = Performance improvement of symbolic regression using the techniques of genetic programming and wavelet transformation
  • 紀錄類型: 書目-語言資料,印刷品 : 單行本
    並列題名: Performance improvement of symbolic regression using the techniques of genetic programming and wavelet transformation
    作者: 陳彥合,
    其他團體作者: 國立高雄大學
    出版地: [高雄市]
    出版者: 撰者;
    出版年: 民99[2010]
    面頁冊數: 81面圖,表 : 30公分;
    標題: 迴歸分析
    標題: Regression Analysis
    電子資源: http://handle.ncl.edu.tw/11296/ndltd/82687345113655549559
    摘要註: 迴歸分析(Regression Analysis)是一種數學方式,其目的是找出資料中變數與變數之間的關係。透過迴歸分析可以解釋變數之間的關聯性,甚至可以進一步預測未知資料。迴歸分析中的複迴歸是一個非常困難的問題,由於依變數(Dependent Variable)和自變數(Independent Variable)是一對多的關係,因此計算量非常龐大。基於基因規劃(Genetic Programming)的符號式迴歸(Symbolic Regression)可以找出複迴歸的迴歸方程式,但是需要花費大量的計算時間。為了加速演化的過程,本論文提出以基因規劃與小波轉換(Wavelet Regression)為基礎的符號式迴歸引擎,先使用小波迴歸來尋找資料的趨勢,再以基因規劃找出更精準的迴歸公式,藉此增進迴歸引擎的效能。實驗以數學測試方程式以及實際的複迴歸問題來進行測試,實驗結果顯示本方法確實可以找出精準的迴歸方程式 Regression analysis is a technique for investigating and modeling the relationships between variables. Regression techniques can be applied to variable explanations and output predictions. Symbolic regression based on genetic programming (SRGP) is a machine learning method which employs the evolutionary strategy on the generation of tree-based functional expressions. Usually, SRGP takes a very time to converge to optimal regression models because regression models are generated randomly. This study employs wavelet regression as a new initialization strategy to improve the efficiency of SRGP. Initial regression models are obtained by fast wavelet regression. Though such models are not accurate than complete wavelet regression, they can be served as efficient and reasonable prototypes to be used in the evolutionary process. The experiments results show that our method can improve the performance of SRGP and obtain better regression functions.
館藏
  • 2 筆 • 頁數 1 •
 
310002031634 博碩士論文區(二樓) 不外借資料 學位論文 TH 008M/0019 542201 7508 2010 一般使用(Normal) 在架 0
310002031642 博碩士論文區(二樓) 不外借資料 學位論文 TH 008M/0019 542201 7508 2010 c.2 一般使用(Normal) 在架 0
  • 2 筆 • 頁數 1 •
評論
Export
取書館別
 
 
變更密碼
登入