王繼龍

(華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京 102206)

0 引言

作為財(cái)政、預(yù)算部門(mén)判斷財(cái)政支出產(chǎn)出和效果的重要工作內(nèi)容，財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)可以有效地提高財(cái)政資金的使用效益。公共投資項(xiàng)目績(jī)效評(píng)價(jià)起源于1993 年美國(guó)頒布的《政府績(jī)效與結(jié)果法案》(The Government Performance and Results Act of 1993)，該法標(biāo)志著美國(guó)財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)工作正式開(kāi)始，并逐步在西方發(fā)達(dá)世界得到廣泛應(yīng)用。2011 年，我國(guó)財(cái)政部印發(fā)《財(cái)政支出績(jī)效評(píng)價(jià)管理暫行辦法》 (財(cái)預(yù)〔2011〕285號(hào))，標(biāo)志著我國(guó)財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)工作步入全面發(fā)展階段。

目前，我國(guó)主要行業(yè)、主要省區(qū)市基本完成財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)指標(biāo)體系的建立［1-4］，并在近幾年的財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)工作中逐步展開(kāi)試點(diǎn)、推廣應(yīng)用工作。在實(shí)際財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)工作中，由于主管部門(mén)需要評(píng)價(jià)的項(xiàng)目較多，在評(píng)價(jià)時(shí)需要投入專家成本較高、耗費(fèi)時(shí)間較長(zhǎng)，尚未做到經(jīng)濟(jì)有效地對(duì)全部項(xiàng)目的績(jī)效評(píng)價(jià)，而是采用對(duì)一部分項(xiàng)目進(jìn)行評(píng)價(jià)、以該部分項(xiàng)目評(píng)價(jià)結(jié)果代表所有項(xiàng)目評(píng)價(jià)結(jié)果，這樣就導(dǎo)致了評(píng)價(jià)的不全面性、不公平性，并為人為規(guī)避某些財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)創(chuàng)造了可能。

本文提出一種基于優(yōu)化相關(guān)向量機(jī)(Relevance Vector Machine，RVM)［5］的財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)方法。RVM 是在支持向量機(jī) (Support Vector Machine，SVM)基礎(chǔ)上發(fā)展起來(lái)的一種新的機(jī)器學(xué)習(xí)方法，在負(fù)荷和功率預(yù)測(cè)［6-7］、缺陷檢測(cè)［8-9］、圖像識(shí)別［10-11］等領(lǐng)域展開(kāi)了應(yīng)用研究并取得了一定成果。本文在現(xiàn)有評(píng)價(jià)方法基礎(chǔ)上，以完成專家評(píng)價(jià)的項(xiàng)目作為RVM 訓(xùn)練樣本，充分利用RVM 預(yù)測(cè)精度高、泛化能力強(qiáng)、較小樣本空間即可滿足訓(xùn)練要求等優(yōu)點(diǎn)，在對(duì)樣本項(xiàng)目應(yīng)用RVM 進(jìn)行訓(xùn)練、學(xué)習(xí)之后對(duì)全部項(xiàng)目進(jìn)行評(píng)價(jià)，避免了現(xiàn)有項(xiàng)目績(jī)效評(píng)價(jià)方法專家成本高、評(píng)價(jià)時(shí)間長(zhǎng)等不足，實(shí)現(xiàn)了全部項(xiàng)目的無(wú)偏差績(jī)效評(píng)價(jià)，評(píng)價(jià)過(guò)程更為客觀和公正，尤其適用于財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)主管部門(mén)需要對(duì)大批項(xiàng)目進(jìn)行評(píng)價(jià)的情況。

1 建模理論

1.1 RVM 回歸預(yù)測(cè)

RVM 主要理論基礎(chǔ)包括貝葉斯理論、馬爾科夫性質(zhì)、自相關(guān)判斷理論 (Automatic Relevance Determinatiaon，ARD)和最大似然等。與人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Networks，ANN)等智能預(yù)測(cè)方法相比，RVM 方法具有更強(qiáng)的非線性映射能力，對(duì)樣本數(shù)據(jù)的依賴性相對(duì)較小，具有更強(qiáng)的泛化能力。與SVM 相比，RVM 具有更好的稀疏性，極大地減少了核函數(shù)的計(jì)算量，核函數(shù)可以任意使用且不用滿足Mercer 條件。

RVM 假設(shè)權(quán)值參數(shù)ω 是受超參數(shù)α 控制的高斯(Gaussian)先驗(yàn)概率分布，在貝葉斯框架下通過(guò)機(jī)器學(xué)習(xí)，并利用ARD 對(duì)不相關(guān)的點(diǎn)進(jìn)行刪減以獲得稀疏化模型。非零權(quán)值的基函數(shù)所對(duì)應(yīng)的樣本向量稱為“相關(guān)向量”，體現(xiàn)了數(shù)據(jù)中最核心的特征。

RVM 回歸預(yù)測(cè)模型可以描述為［5］

式中，φ(x)=(φ1(x)，φ2(x)，…，φN(x))T(N 為樣本數(shù))為基函數(shù);μ 為均值向量;y*為預(yù)測(cè)均值。

由式(1)可知，新樣本x*的預(yù)測(cè)值均值為y(x*，μ)。若給定新的輸入值x，則其相應(yīng)的輸出概率分布服從Gaussian 分布，相應(yīng)的預(yù)測(cè)值為y*。

1.2 GA

GA 等參數(shù)優(yōu)化方法常用來(lái)根據(jù)具體問(wèn)題優(yōu)化具體參數(shù)，以確定預(yù)測(cè)模型參數(shù)最優(yōu)［12-13］。GA 是一種基于自然選擇和遺傳規(guī)律的啟發(fā)式、并行的全局搜索最優(yōu)方法，其主要源自于自然界的選擇和進(jìn)化理論，常用來(lái)解決目標(biāo)函數(shù)的多參數(shù)優(yōu)化問(wèn)題。GA 通常包含參數(shù)初始化、選擇、交叉和變異等步驟。應(yīng)用GA 解決現(xiàn)實(shí)問(wèn)題時(shí)，最重要的是選擇好適應(yīng)度函數(shù)。

1.3 PCA

主成分分析 (Principal Component Analysis，PCA)常用來(lái)對(duì)高維數(shù)據(jù)進(jìn)行降維處理，以有效降低數(shù)據(jù)維度，提取數(shù)據(jù)的主成分，從而簡(jiǎn)化計(jì)算過(guò)程，提高計(jì)算速度。PCA 的基本思想是將具有一定相關(guān)性的原始數(shù)據(jù)，通過(guò)線性組合變換成一組新的、維度更低的幾個(gè)相互獨(dú)立或互相無(wú)關(guān)的變量來(lái)代替原始數(shù)據(jù)。PCA 主要通過(guò)對(duì)原始數(shù)據(jù)的協(xié)方差矩陣進(jìn)行特征分解，求出主成分以及對(duì)應(yīng)權(quán)值。

2 GA_RVM 模型

2.1 建模流程

基于遺傳優(yōu)化相關(guān)向量機(jī)的財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)模型(以下簡(jiǎn)稱“GA_RVM 模型”)保留現(xiàn)有財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)方法中的專家評(píng)價(jià)部分，應(yīng)用該部分項(xiàng)目的專家評(píng)價(jià)結(jié)果作為RVM 訓(xùn)練樣本，通過(guò)RVM 訓(xùn)練、優(yōu)化，學(xué)習(xí)后輸出最佳RVM 預(yù)測(cè)模型，應(yīng)用該RVM 最佳預(yù)測(cè)模型對(duì)其他樣本 (測(cè)試項(xiàng)目)進(jìn)行測(cè)試，即可得到全部項(xiàng)目的綜合評(píng)價(jià)結(jié)果。同時(shí)考慮到專家評(píng)價(jià)樣本項(xiàng)目集較小，對(duì)評(píng)價(jià)指標(biāo)體系進(jìn)行主成分分析降維處理、在RVM 訓(xùn)練和優(yōu)化時(shí)采用K-折 (K-fold)交叉驗(yàn)證，以提高訓(xùn)練的有效性和模型的擬合性。GA_RVM 模型建模流程見(jiàn)圖1。

圖1 GA_RVM 模型建模流程

2.2 評(píng)價(jià)指標(biāo)的確定、細(xì)化和打分

績(jī)效評(píng)價(jià)工作小組接受評(píng)價(jià)委托任務(wù)后，首先需要根據(jù)評(píng)價(jià)任務(wù)和評(píng)價(jià)項(xiàng)目特點(diǎn)，確定需要采用的績(jī)效評(píng)價(jià)指標(biāo)體系。在評(píng)價(jià)指標(biāo)體系中，三級(jí)指標(biāo)是細(xì)化的、可執(zhí)行的具體指標(biāo)，績(jī)效評(píng)價(jià)工作小組根據(jù)確定的評(píng)價(jià)指標(biāo)體系及三級(jí)指標(biāo)開(kāi)展具體的評(píng)價(jià)工作?？?jī)效評(píng)價(jià)指標(biāo)體系的三級(jí)指標(biāo)見(jiàn)表1。

表1 評(píng)價(jià)指標(biāo)體系三級(jí)指標(biāo)

績(jī)效評(píng)價(jià)工作小組根據(jù)三級(jí)指標(biāo)及相應(yīng)的評(píng)分標(biāo)準(zhǔn)對(duì)各項(xiàng)目基礎(chǔ)數(shù)據(jù)、現(xiàn)場(chǎng)資料等進(jìn)行收集和審核，并對(duì)其進(jìn)行打分，組成各項(xiàng)目最原始的基礎(chǔ)數(shù)據(jù)信息。

2.3 指標(biāo)得分?jǐn)?shù)據(jù)預(yù)處理

在財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)的三級(jí)指標(biāo)體系中，評(píng)價(jià)指標(biāo)通常包括極大型指標(biāo)、極小型指標(biāo)、中間型指標(biāo)和區(qū)間型指標(biāo)。GA_RVM 模型將上述指標(biāo)統(tǒng)一轉(zhuǎn)化為極大型指標(biāo)。

在進(jìn)行財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)過(guò)程中，各指標(biāo)由于各自量綱和量級(jí)的不同而存在著不可公度性，為綜合評(píng)價(jià)的比較帶來(lái)不便。因此，為了消除各指標(biāo)量量綱不同及其數(shù)值數(shù)量級(jí)間的差別所帶來(lái)的影響，需要對(duì)指標(biāo)做無(wú)量綱化處理。指標(biāo)的無(wú)量綱化，也稱指標(biāo)的標(biāo)準(zhǔn)化，通過(guò)數(shù)學(xué)變換的方式來(lái)消除原始指標(biāo)量綱的影響。

常用的線性化處理方法有標(biāo)準(zhǔn)化處理法、線性比例處理法以及歸一化處理法。在實(shí)際研究應(yīng)用中，根據(jù)不同的研究目標(biāo)選用不同的方法。GA_RVM 模型采用線性比例法進(jìn)行指標(biāo)的無(wú)量綱化處理，數(shù)學(xué)表達(dá)式為

評(píng)價(jià)指標(biāo)的無(wú)量綱化處理通過(guò)數(shù)學(xué)變換來(lái)消除不同指標(biāo)之間由于量綱的不同帶來(lái)的不利影響，以更真實(shí)地反映實(shí)際情況，排除由于不同指標(biāo)、不同量綱，以及不同數(shù)值數(shù)量級(jí)之間的差異性帶來(lái)的不利影響，避免不合理現(xiàn)象，提高財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)的可行性和合理性。

2.4 樣本項(xiàng)目專家評(píng)價(jià)和生成樣本空間

績(jī)效評(píng)價(jià)專家小組針對(duì)樣本項(xiàng)目，根據(jù)績(jī)效評(píng)價(jià)工作小組提供的樣本項(xiàng)目基礎(chǔ)數(shù)據(jù)，現(xiàn)場(chǎng)資料等，以及根據(jù)專家評(píng)審會(huì)上項(xiàng)目單位的現(xiàn)場(chǎng)答辯情況，各專家對(duì)項(xiàng)目的綜合了解情況，并對(duì)樣本項(xiàng)目績(jī)效評(píng)價(jià)情況進(jìn)行綜合打分，得到每個(gè)樣本項(xiàng)目的評(píng)價(jià)得分。

樣本項(xiàng)目的績(jī)效評(píng)價(jià)工作小組評(píng)價(jià)打分結(jié)果、專家評(píng)價(jià)得分結(jié)果一一對(duì)應(yīng)即組成RVM 的訓(xùn)練樣本空間?？?jī)效評(píng)價(jià)專家小組評(píng)價(jià)得分結(jié)果與績(jī)效評(píng)價(jià)工作小組評(píng)價(jià)打分結(jié)果函數(shù)關(guān)系式如下

式中，S = ［S1，S2，…，SN］ 表示各項(xiàng)目績(jī)效評(píng)價(jià)專家小組的評(píng)價(jià)得分;I= ［I1，I2，…，IN］表示每一個(gè)項(xiàng)目細(xì)化評(píng)價(jià)指標(biāo)的績(jī)效評(píng)價(jià)工作小組評(píng)價(jià)打分;e = ［e1，e2，…，eN］表示各項(xiàng)目訓(xùn)練、測(cè)試過(guò)程中的誤差;N 為項(xiàng)目數(shù);n 為細(xì)化的評(píng)價(jià)指標(biāo)數(shù)。

其他項(xiàng)目的績(jī)效評(píng)價(jià)工作小組評(píng)價(jià)打分結(jié)果即組成RVM 測(cè)試樣本空間的輸入部分，其輸出需要應(yīng)用學(xué)習(xí)后的RVM 模型進(jìn)行測(cè)試后得出。樣本空間劃分及指標(biāo)得分、綜合評(píng)價(jià)得分見(jiàn)表2。

考慮到完成專家評(píng)價(jià)的樣本項(xiàng)目一般來(lái)說(shuō)容量較小，且三級(jí)評(píng)價(jià)指標(biāo)一般來(lái)說(shuō)在十幾個(gè)左右，為有效提高模型學(xué)習(xí)和泛化能力，應(yīng)用PCA對(duì)績(jī)效評(píng)價(jià)工作小組評(píng)價(jià)打分結(jié)果進(jìn)行降維處理。

?

2.5 RVM 訓(xùn)練、優(yōu)化和預(yù)測(cè)

RVM 對(duì)訓(xùn)練樣本空間進(jìn)行學(xué)習(xí)，以績(jī)效評(píng)價(jià)工作小組評(píng)價(jià)打分結(jié)果作為模型輸入、績(jī)效評(píng)價(jià)專家小組評(píng)價(jià)得分作為輸出進(jìn)行模型的學(xué)習(xí)?？紤]到樣本空間較少，GA_RVM 模型應(yīng)用K-fold交叉驗(yàn)證。經(jīng)過(guò)RVM 訓(xùn)練，輸出最佳RVM 預(yù)測(cè)模型。

2.5.1 RVM 核函數(shù)的選擇

RVM 核函數(shù)的選擇由于不受Mercer 條件的約束，所以理論上可以使用任何核函數(shù)。在理論研究和實(shí)際應(yīng)用中，經(jīng)常選用徑向基 (Radial Basis Function，RBF)核函數(shù)、線性核函數(shù)和多項(xiàng)式核函數(shù)等。RBF 擬合性強(qiáng)，具有較強(qiáng)的學(xué)習(xí)能力，適用于高、低維以及大、小樣本等多種情況。在理論研究和實(shí)際應(yīng)用中，RBF 常被選為RVM 的核函數(shù)，其數(shù)學(xué)表達(dá)式如下

式中，x 為輸入向量;x1為訓(xùn)練集中第i 維輸入向量;σ2為核函數(shù)的寬度。

2.5.2 RBF 核參數(shù)的GA 優(yōu)化

RBF 核參數(shù)的σ2值對(duì)預(yù)測(cè)結(jié)果有較大的影響，本文應(yīng)用GA 算法獲取最佳預(yù)測(cè)模型中RBF核參數(shù)σ2的最優(yōu)值。

GA_ RVM 模型選用絕對(duì)平均百分比誤差(Mean Absolute Percentage Error，MAPE)作為評(píng)價(jià)標(biāo)準(zhǔn)，記為IMAPE，其計(jì)算公式如下

RVM 根據(jù)訓(xùn)練樣本空間K-fold 交叉驗(yàn)證劃分的驗(yàn)證集IMAPE進(jìn)行GA 優(yōu)化。利用優(yōu)化得到的最佳RVM 模型對(duì)測(cè)試樣本進(jìn)行測(cè)試。將測(cè)試樣本的績(jī)效評(píng)價(jià)工作小組打分結(jié)果輸入最佳RVM模型，即可得到測(cè)試樣本的測(cè)試得分，從而完成其他項(xiàng)目的評(píng)價(jià)，輸出測(cè)試得分。

RVM 通過(guò)對(duì)訓(xùn)練樣本空間，即樣本項(xiàng)目的學(xué)習(xí)，識(shí)別出相應(yīng)變化規(guī)律，并通過(guò)K-fold 交叉驗(yàn)證避免了樣本項(xiàng)目較少的不足，保證了預(yù)測(cè)模型的最佳，確保了各項(xiàng)目測(cè)試得分的準(zhǔn)確性。

2.6 全部項(xiàng)目的評(píng)價(jià)定級(jí)

財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)績(jī)效級(jí)別分為四級(jí)，項(xiàng)目評(píng)價(jià)合計(jì)得分90 分(含)以上的為優(yōu)秀，75 (含) ～90 分的為良好，60 (含) ～75 分的為一般，60 分以下的為較差。這樣，就可以根據(jù)各項(xiàng)目績(jī)效評(píng)價(jià)得分落入的評(píng)價(jià)區(qū)間，判斷財(cái)政資金投入的效益和效果。

3 案例分析

本文以某年度某部門(mén)主管的30 個(gè)項(xiàng)目為例進(jìn)行財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)分析。其評(píng)價(jià)指標(biāo)體系見(jiàn)表3。

表3 財(cái)政支出項(xiàng)目績(jī)效三級(jí)評(píng)價(jià)指標(biāo)體系

PCA 各成分累計(jì)貢獻(xiàn)率閥值取為0.98。

GA 種群規(guī)模100，終止代數(shù)20，交叉率0.8，變異率0.05，適應(yīng)度函數(shù)為IMAPE。

為便于進(jìn)行RVM 測(cè)試項(xiàng)目測(cè)試得分的對(duì)比，組織7 位專家(技術(shù)、經(jīng)濟(jì)專家各2 人，業(yè)務(wù)專家3 人)對(duì)全部項(xiàng)目進(jìn)行評(píng)價(jià)。同時(shí)，選取15個(gè)項(xiàng)目作為樣本項(xiàng)目，進(jìn)行RVM 訓(xùn)練、優(yōu)化，輸出最佳RVM 預(yù)測(cè)模型，應(yīng)用最佳RVM 預(yù)測(cè)模型對(duì)其他15 個(gè)項(xiàng)目進(jìn)行了測(cè)試。

RVM 訓(xùn) 練IMAPE為0.66%，測(cè) 試IMAPE為3.02%，其訓(xùn)練結(jié)果、測(cè)試結(jié)果見(jiàn)圖2。由圖2可知，GA_RVM 模型訓(xùn)練、測(cè)試結(jié)果良好，專家評(píng)價(jià)得分和 RVM 測(cè)試得分基本吻合，GA_RVM模型以較少的訓(xùn)練樣本 (15 個(gè)項(xiàng)目)實(shí)現(xiàn)了對(duì)全部項(xiàng)目評(píng)價(jià)規(guī)律的識(shí)別，測(cè)試準(zhǔn)確度良好。但可以看出，測(cè)試項(xiàng)目測(cè)試得分和專家評(píng)價(jià)得分有一定出入，導(dǎo)致RVM 測(cè)試績(jī)效級(jí)別和專家評(píng)價(jià)績(jī)效級(jí)別存在一定出入，并且存在個(gè)別項(xiàng)目的績(jī)效級(jí)別不一致(如:績(jī)效級(jí)別邊界點(diǎn)的測(cè)試項(xiàng)目2)，但總體上應(yīng)用GA_RVM 模型展開(kāi)財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)具有較高的準(zhǔn)確性。

圖2 GA_RVM 模型訓(xùn)練、測(cè)試結(jié)果圖

4 結(jié)語(yǔ)

本文提出一種基于優(yōu)化相關(guān)向量機(jī)的財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)方法，與現(xiàn)有財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)方法相比:

(1)GA_RVM 模型在幾乎不增加專家評(píng)價(jià)成本的基礎(chǔ)上實(shí)現(xiàn)所有項(xiàng)目的績(jī)效評(píng)價(jià)，且評(píng)價(jià)準(zhǔn)確性與專家評(píng)價(jià)結(jié)果基本吻合，可以減少大量人力、財(cái)力，產(chǎn)生較為顯著的經(jīng)濟(jì)效益，并提高評(píng)價(jià)效率。

(2)將現(xiàn)有評(píng)價(jià)方法中的專家資源集中投放在樣本項(xiàng)目的評(píng)價(jià)中，可以提高評(píng)價(jià)的準(zhǔn)確性、公平性和客觀性。

(3)GA_RVM 模型特別適用于同類項(xiàng)目較多時(shí)的財(cái)政支出項(xiàng)目績(jī)效評(píng)價(jià)。

［1］ 胡景男. 北京地區(qū)高等教育財(cái)政支出績(jī)效評(píng)價(jià)研究［D］.北京:北京化工大學(xué)，2011.

［2］ 鄭海寧. 成本-效益分析法在農(nóng)業(yè)財(cái)政支出績(jī)效評(píng)價(jià)中的應(yīng)用研究［D］. 保定:河北農(nóng)業(yè)大學(xué)，2013.

［3］ 梁宏亮，黃欣涔. 基于AHP 模型的災(zāi)害救援重建財(cái)政支出績(jī)效評(píng)價(jià)研究［J］ . 當(dāng)代教育理論與實(shí)踐，2012 (8):171-174.

［4］ 周普. 水利財(cái)政支出績(jī)效評(píng)價(jià)分析［J］. 中國(guó)水利水電科學(xué)研究院學(xué)報(bào)，2012，10 (1):73-76，80.

［5］ Tipping M E. Sparse Bayesian learning and the relevance vector machine ［J］ . The Journal of Machine Learning Research，2001 (1):211-244.

［6］ 段青，趙建國(guó)，馬艷. 優(yōu)化組合核函數(shù)相關(guān)向量機(jī)電力負(fù)荷預(yù)測(cè)模型［J］. 電機(jī)與控制學(xué)報(bào)，2010，14 (6):33-38.

［7］ BAO Yan，WANG Hui，WANG Beining. Short-term wind power prediction using differential EMD and relevance vector machine［J］. Neural Computing and Applications，2014，25 (2):283-289.

［8］ ZHU Fengyu，WANG Qi，SHEN Zhengguang. APSO-RVM for fault detection of liquid rocket engines test-bed ［J］. Information Technology Journal，2012，11 (10):1496-1501.

［9］ Tran V T，Yang B S，Gu F，et al. Thermal image enhancement using bi-dimensional empirical mode decomposition in combination with relevance vector machine for rotating machinery fault diagnosis ［J］. Mechanical Systems and Signal Processing，2013，38 (2):601-614.

［10］ 趙春暉，齊濱，張燚. 基于改進(jìn)型相關(guān)向量機(jī)的高光譜圖像分類［J］. 光學(xué)學(xué)報(bào)，2012，32 (8):264-269.

［11］ 張昱，謝小鵬. 基于遺傳相關(guān)向量機(jī)的圖像分類技術(shù)［J］. 計(jì)算機(jī)仿真，2011，28 (5):283-286.

［12］ Barszcz T，Bielecka M，Bielecki A，et al.Wind speed modelling using Weierstrass function fitted by a genetic algorithm ［J］.Journal of Wind Engineering and Industrial Aerodynamics，2012，109 (6):68-78.

［13］ Liu Da，Niu Dongxiao，Wang Hui，et al. Short-term wind speed forecasting using wavelet transform and support vector machines optimized by genetic algorithm ［J］ . Renewable Energy，2014，62 (2):592-597.