基于支持向量回归机和粒子群算法的改进协同优化方法

研究基于支持向量回归机和粒子群算法的改进协同优化方法.阐述了协同优化方法和支持向量回归机方法基本原理,为有效解决系统级优化协调困难问题,改善收敛性能,提高收敛速度,采用支持向量回归机构造系统级约束条件的近似模型,引入粒子群算法求解系统级和学科级优化问题.仿真计算结果表明,设计的协同优化方法可有效求解多学科设计优化问题,...     

改进的粒子群算法的小波支持向量机预警模型

将小波函数引入支持向量机核函数,同时在支持向量机的学习算法上,引入了改进的粒子群优化算法,使得支持向量机的参数得到最优解,从而建立上市公司财务困境预警模型。实验结果表明,本文提出方法的预测准确率高于普通的小波支持向量机预警模型。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

基于混沌粒子群的支持向量机参数优化

支持向量机的参数选择决定了其学习性能和泛化能力,由于在参数的选择范围内可选择的数量是无穷的,在多个参数中盲目搜索最优参数是需要极大的时间代价,并且很难逼近最优。基于此,提出一种基于混沌粒子群的支持向量机参数选择算法。混沌粒子群优化算法是一种全局搜索方法,在选取SVM参数时,不必考虑模型的复杂度和变量维数．仿真表明,混沌粒子群优化算法是选取SVM参数的有效方法,可以取得令人满意的效果。     

结合张量特征和孪生支持向量机的群体行为识别

给出一种结合张量特征和孪生支持向量机的群体行为识别算法,以提高对视频中群体行为识别的准确率.首先通过群成员关节点骨架的姿态结构信息和群成员的社会网络信息描述群体在每一帧中的行为,并采用张量形式表示;然后使用多路非线性特征映射分解张量核,并利用粒子群优化张量核孪生支持向量机的模型参数;最后结合张量特征和孪生支持向量机实现视频中的群体行为识别.CAD2数据集和自建数据集上的实验结果表明,张量特征能够有效地表示群体行为,相比经典算法,所提算法能有效提高群体行为识别的准确率.      

基于合成核支持向量机的风力发电机故障诊断

采用合成核函数构造支持向量机模型,运用粒子群优化算法（PSO）对模型参数进行参数寻优,利用UCI数据集的数据进行分类验证.与单核SVM相比,该方法具有更好的分类能力和运算速度.将合成核SVM应用到风机齿轮箱的故障诊断中,取得了良好的效果.     

采用矩谐分析和支持向量机的地磁导航基准图构建方法

为便于在地磁导航工程应用中进行载体磁场和地磁场变化的修正,提出了一种采用矩谐分析和支持向量机的地磁基准图构建方法.在导航区域中心采用矩谐分析法来预测基准数据,包括地磁场剩余值计算、地理坐标转换、地磁分量转换、矩谐系数求解及中心区域基准数据预测等,以提高地磁基准图的精度并利于修正;在导航区域边缘采用支持向量机法来预测基准数据,包括核函数选取、参数优化、模型训练及边缘区域数据预测等,以减弱边界效应的影响;采用粒子群优化算法对支持向量机参数进行优化,以提高算法的运算效率.试验结果表明,该方法可提高所构建地磁基准图的精度,降低算法的运行时间.     

基于粒子算法和支持向量机的财务危机预警模型

基于特征集的选择、核函数参数的优化对支持向量机(SVM)模型的预测性能有着重要的影响,提出了一个粒子算法-支持向量机(PSO-SVM)模型.该模型采用PSO对特征集和核函数参数同时进行优化,从而提高SVM模型的预测结果.将所提出的PSO-SVM模型应用到财务危机预警中,取得了较佳的预测结果.     

基于非线性模糊支持向量机的知识化制造模式与动态环境匹配分类方法

为了评价企业当前知识化制造模式与动态环境因素的匹配性,为企业的快速响应提供依据,提出了一种考虑模糊输入和不均衡样本的非线性模糊加权支持向量机(NFW-SVM)模型.考虑到实际生产面临的动态环境因素具有模糊性和不确定性,引入三角模糊数对模糊因素进行描述.针对不同匹配类别数据样本的不均衡性,设置了不同的分类惩罚因子,以降低小样本错分的比例.将变异算子和具有收缩因子的动态惯性权重引入到标准粒子群优化算法中,利用改进的粒子群算法对模型参数进行优化,提高模型的分类精度.给出了基于NFW-SVM模型的知识化制造模式与动态环境匹配的分类方法.最后,通过实例验证了该方法的有效性和可行性.     

基于自适应支持向量机的磨粒识别技术研究

通过对铁谱磨粒类型进行识别,可有效监测机械装备磨损状态,有利于尽早发现和消除故障隐患。对粒子群优化算法进行改进,采用改进的粒子群算法同时优化支持向量机的惩罚参数和核函数参数,建立了自适应磨粒识别模型。通过对磨粒样本进行仿真实验,识别正确率达到98%,并与BP神经网络方法进行对比,结果表明了该方法的有效性及优越性。     

基于自适应粒子群支持向量机的短期电力负荷预测

针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO).该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性.将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化.对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO-SVM方法的预测精度明显优于传统的SVM方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的.     

参数优化支持向量机的人参价格预测模型

为了对人参价格进行预测,分析了影响人参价格因素,通过K-fold交叉验证方法,利用粒子群算法对支持向量机的惩罚参数c和ggamma值进行寻优,建立起2010年1月～2011年12月林下参的价格预测模型.利用粒子群算法优化惩罚参数c为3.6974,利用radial basis function核函数的SVM(Support Vector Machine)对预测集1的预测相关系数为97.316％.     

一个新的稀疏支持向量机模型

文章探讨了一新的稀疏支持向量机模型,该算法在标准支持向量机中增加一个对损失向量的约束用于控制支持向量的数目从而提高稀疏性.由于增加该约束使得优化问题变为非凸的,文中用较弱的约束替代原约束并得其对偶问题.经实验表明新提出的该模型比标准模型更为稀疏.     

基于支持向量机的图像语义提取研究

通过研究自然景观图案的语义分类,分析了不同的核函数和参数优化算法对图像语义分类性能的影响,并用自然景观图片进行了验证。实验结果表明:当核函数为RBF且参数采用网格搜索优化时,SVM的分类效果最优,可实现对自然景观图像的准确分类。此结论对SVM在图像语义分类中的推广应用具有指导意义。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于支持向量机的农业科技项目分类研究

农业科技项目投入是解决“三农问题”的关键途径,而农业科技项目分类是农业科技项目投入的参考依据.支持向量机( SVM)是借助最优化方法解决分类问题的方法,较好地克服了“维数灾难”和“有限样本的学习分类”等问题.通过选择不同的核函数和对应的参数可以构造不同的分类器,参数的选择决定了其学习和泛化能力.为此,提出了粒子群优化(...     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

参数优化支持向量机的农业大棚温室温度预测模型

利用支持向量机核函数linear,polynomial,radial basis function和sigmoid,通过粒子群算法对惩罚参数c和gamma寻优,建立农业大棚温室温度预测模型.试验结果表明:通过粒子群算法设定惩罚参数c为14.392,gamma为0.01时,得到的P_RBF预测模型对由24个测试时间所测数据组成的训练集拟合程度达90.849%,对加入随机影响因子的由5个测试时间所测数据组成的预测集拟合程度达90.545%,显示该预测模型具备相当的鲁棒性;P_RBF模型对温室内温度预测具备相当的可靠性,可以准确预测温室内温度变化趋势,解决温室控制系统中温度难以预测的问题.     

基于粒子群优化-支持向量机的睡眠呼吸暂停检测

睡眠呼吸暂停(sleep apnea, SA)是一种睡眠障碍疾病,严重影响睡眠质量和身体健康。为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化-支持向量机(particle swarm optimization-support vector machine, PSO-SVM)方法,通过心电信号实现对SA的准确检测。首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后,通过PSO-SVM分类算法进行睡眠呼吸暂停检测。结果表明,筛选10个特征对SA进行检测,利用Apnea-ECG数据库通过PSO-SVM的检测准确率为94.0%,提升了现有方法的检测性能。     

灰狼优化支持向量机的推荐算法

针对推荐系统中用户项目评分矩阵稀疏性和冷启动问题,采用灰狼算法(GWO)优化支持向量机(SVM)分类器,二者相结合,提出一种新算法.利用卷积矩阵分解模型(ConvMF)提取用户-项目数据的有效特征向量,降低维数,形成样本集.再将样本集用于向量机的分类识别,对错分点进行自动检测,通过灰狼算法迭代更新,找出全局最优值,从而...