|
实验2（每组样本12 个输入） 实验3（每组样本3 个输入） 预测步长 平均相对误差 ERROR 均方误差 err 平均相对误差 ERROR 均方误差 err 1 0.069119 6.2271 0.041072 4.6584 2 0.095624 9.3811 0.094935 10.3 3 0.12997 12.443 0.13698 15.119 6 0.22741 23.832 0.30157 25.699 观察以上实验2、3 的结果发现： 155 （1）预测步长加大，SVM 回归预测的误差明显会增大。 （2）每组样本输入数据的个数会影响SVM 的预测效果。输入个数较小时，对于小步 长的预测，其预测精度较高；步长加大后，使用输入个数较大的样本预测精度会更高。 之前使用的是一段连续的的血糖数据，实验4 选取了三个不同时段的血糖数据组成了4 种输入情况下的样本，均为90 组测试样本，预测步长为6 步，模型参数已经过优化。对应 160 的性能指标如表3 所示，预测结果如图5 所示： 图5 实验4 不同输入情况对应的SVM 预测结果 表3 实验4 中不同输入的预测性能指标 核函数anova 每组样本输入数据的个数 3 6 12 18 C p1 e 训练组数 503 494 476 458 ERROR 0.21066 0.21403 0.20185 0.19954 Err 29.2957 29.6338 28.4876 28.3308 4 262140 0.5 165 通过实验对比看出：不同时段的数据样本能更加准确地反映病人血糖浓度这个对象的特 征，因此提高了回归建模的精度，最终减小了SVM 回归预测的误差。 之前使用的均是1 例病人的血糖数据，实验5 选用2 例病人三段采样间断的血糖数据， 均为90 组测试样本，模型参数已经过优化。模型参数及各性能指标如表4 所示，以anova 170 为核函数的预测结果如图6、图7 所示： 图6 步长为6 步4 种输入的预测结果 图7 步长为1 步4 种输入的预测结果 表4 实验5 的模型参数及SVM回归性能指标 anova 核函数，C=4，p1=262140，e=0.5 rbf 核函数，C=519000，p1=3950，e=0.0015 每组样本输入数据的个数 每组样本输入数据的个数 step=6 3 6 12 18 3 6 12 18 训练 组数 553 544 526 508 538 529 511 493 ERROR 0.1709 0.16974 0.1628 0.16815 0.17865 0.17277 0.16587 0.17135 err 28.918 28.591 29.034 30.172 33.784 32.517 31.422 32.738 step=1 3 6 12 18 3 6 12 18 训练 组数 553 544 526 508 553 544 526 508 ERROR 0.024417 0.023811 0.023822 0.025447 0.026798 0.024704 0.024204 0.027029 err 5.2936 5.1702 5.0942 5.1482 5.6852 5.3009 5.1321 5.3644 180 由实验5 的结果可以看出，针对1 例病人优化的模型参数同样可以用来预测2 例病人的 血糖值，且应用于其他病例时情况大致相同。这证明了SVM 回归具有很强的泛化能力，模 型参数对不同对象均具有一定的适用性。 3 结论 本文应用支持向量机回归对糖尿病人的血糖浓度进行了预测，给出了具体的数学描述和 185 模型参数优化算法，对血糖浓度模型进行了仿真研究，通过对预测结果性能指标的比较，详 细分析了各模型参数和数据样本对SVM 回归预测效果的影响。 通过仿真实验还可以看出: （1）论文使用的参数优化算法能够较大地改善预测效果。 （2）对血糖检测数据进行预先整合处理，可以提高SVM 回归预测的性能。 190 （3）改变训练样本与测试样本的比例，并未明显影响预测精度，证明了SVM 回归在 血糖预测的实际应用方面具有很大的潜力。 总体上来说，SVM 回归在血糖预测方面具有较强的泛化能力，但是也存在一些问题， 比如：如何确定模型参数并没有通用的方法可以借鉴，怎样协调建模精度与训练时间以达到 较好的预测效果，这些问题都还需要进一步研究和探索。 原创学术论文网Tag：代写论文 职称论文发表 代写代发论文 论文发表 |
 |
 |
 |
 |
 |
 |
 |
