基于KPCA-PSO-RBF-SVM的矿井突水水源识别模型

为对矿井突水水源进行识别以减少矿井突水事故的发生,提出了粒子群(PSO)结合RBF核参数优化的SVM模型,并使用核主成分分析法(KPCA)对选取水源特征指标进行高效降维.根据水源离子敏感性选取了8种水化学指标(K~+、Na~+、Mg~(2+)、Ga~(2+)、HCO_3~-、Cl~-、F~-、SO_4~(2-))作为突水水源识别特征参数.使用基于最大方差关联度准则的核参数选择方法并结合粒子群算法构造参数优化算法,使用参数优选后的支持向量机模型对90组突水水源识别训练数据进行模型训练,用其余32组数据进行测试,模型实测效果与Logistic模型、PCA-Fisher模型以及PSO-SVM模型进行对比,结果表明:采用径向基核函数优化的支持向量机模型能够选取较优参数,模型实测平均准确率为93.75%,误差明显低于其他模型,证明了该模型能精准且高效地识别矿井突水水源.     

基于MFOA算法的SVM模型在信用风险评估中的应用

P2P网贷行业借助于互联网技术,得到了急速地发展,其中的个人信用风险评估也变得更加重要.为提高信用风险评估的准确性,基于SVM建立一套信用风险评估模型.然而SVM模型的性能很大程度上取决于惩罚因子以及核函数的参数,因此需要对SVM的参数进行优化.采用基于改进的多种群果蝇优化算法对支持向量机的参数进行优化选择并在真实的P2P信贷数据上进行实验.通过与几种常见的群智能算法的优化效果如遗传算法,蚁群算法,粒子群算法等进行对比,结果表明,使用多种群果蝇优化算法的SVM模型具有评估准确率更高等优点.     

采用粒子群优化的SVM算法在数据分类中的应用

针对分类数据集合线性不可分的问题,改进了支持向量机(SVM)的分类方法,构建新的分类决策函数和高斯核函数.在支持向量机关键参数的优化环节,采用粒子群算法对惩罚参数和高斯参数进行优化,设计便于操作的优化流程,并针对Iris数据集合展开实验研究.结果表明:相比于基于遗传算法优化的SVM方法,所提出的方法执行速度快、分类准确率高.     

基于主成分分析和支持向量机的矿井水源判别

针对传统支持向量机法判别矿井水源准确率较低的问题,选取7种水化学成分指标作为矿井水源判别的指标,采用主成分分析(PCA)和支持向量机(SVM)相结合的方法建立PCA-SVM矿井水源判别模型。以山东盛泉矿业有限公司矿井太原组灰岩含水层和奥灰含水层的水化学特征中的27个样本进行训练和检验,并与传统的支持向量机模型结果进行比较,利用PCASVM模型对矿井水源进行判别,分类准确率由66.67%提高到83.40%。研究结果表明,利用PCA-SVM矿井水源判别模型能有效消除判别指标间的相关影响,判别率较高,引进主成分分析算法是必要的。     

粒子群算法优化RBF-SVM沙尘暴预报模型参数

为提高沙尘暴的预报准确率,针对目前已出现的RBF—SVM沙尘暴预报模型中的参数优化进行研究．利用基本粒子群优化算法（SPSO算法）中粒子速度及其位置与RBF—SVM模型中参数对相对应,对沙尘暴进行预报,为解决SPSO算法易陷入局部解的缺陷,提出了惯性权值自适应调节的改进粒子群算法（WPSO算法）,并对沙尘暴RBF—SVM模型参数进行了优化．仿真结果表明,无论是SPSO算法,还是WPSO算法,在优化RBF—SVM沙尘暴预报模型参数方面都表现出了良好的性能,分别比已有的SVM方法的预报准确率提高了22．3％和45．3％．     

基于Adaboost算法结合DEGWO-SVM的财务困境预测

针对支持向量机(SVM)在企业财务困境预测研究中存在参数选择困难、分类准确率低的问题,提出了一种新的Adaboost-DEGWO-SVM组合模型.首先,通过对2017年全部A股上市公司的财务数据进行数据预处理,提取1∶1的困境公司(ST)和正常公司组成建模数据集;然后,利用差分进化算法(DE)改进灰狼优化算法(GWO)来提高其全局搜索能力,以解决灰狼算法易陷入局部最优的问题,从而实现对SVM参数c和γ的寻优;最后,通过Adaboost算法提高了DEGWO-SVM模型的分类能力.实验结果表明,Adaboost-DEGWO-SVM组合预测模型具有明显的困境预测优势,与DEGWO-SVM相比,分类准确率提高了4.34%,Ⅰ类错误和Ⅱ类错误分别降低了0.043 5;与单一SVM相比,分类准确率提高了13.04%,Ⅰ类错误、Ⅱ类错误分别降低了0.130 4、0.130 5,是一种潜在的企业财务困境预测方法.     

基于SVM和雷达回波反射率的雹云模型识别研究

为了提高基于支持向量机(Support Vector Machine,SVM)的大雨、冰雹模型的分类准确率,利用SVM分类方法与雷达回波反射率图像相结合的方法建立模型。提取雹云图像与大雨图像的的特征数据进行筛选,分别求出它们的和、中位数与方差,组成的三维识别向量作为SVM模型判别的变量数据训练模型。利用该模型对已有样本进行测试,可得雹云判别模型的识别率较高,且判别误差率较低。结果表明,通过气象雷达反射率图像的回波强度数据与SVM分类模型相结合构造的雹云判别模型,具有较好的效果。     

基于PSOGWO-SVM的网络入侵检测方法

针对SVM算法的核函数及参数选择不科学会导致检测的准确率比较差的问题,提出了一种融合粒子群搜索的灰狼优化算法,利用PSOGWO算法优化SVM的参数,确定SVM分类器的最优检测模型,并基于NSL KDD数据集进行对比实验。结果表明：基于PSOGWO SVM的入侵检测方法实现了SVM的参数最优化,而且在检测率、收敛速度、模型平衡性等方面有明显提升,该方法在网络入侵检测方面具有更好的性能。     

基于权值优化的FCM-MSVM算法及其在高速公路状态判别中的应用

高速公路实时交通状态的准确判别是科学制定交通管理策略的重要基础.本文以实测的高速公路交通流三特征参数的数据作为输入,引入熵权法刻画参数之间重要程度的差异,利用改进的FCM算法对特征参数进行聚类,根据不同交通状态的结果,建立基于多分类器支持向量机的交通状态判别模型,并分别采用网格搜索法、遗传算法和粒子群算法对支持向量机参数进行优化,从而提高模型的判别准确率.最后选取实际数据对本文模型进行验证,判别结果的分类准确率可达96.3980%.     

KPCA-CS-SVM下的矿井突水水源判别模型

针对矿井水害的突水水源判别问题,采用KPCA方法对原始数据降维,通过布谷鸟搜索算法(CS)优化支持向量机(SVM)的惩罚因子C和核参数g,建立基于KPCA-CS-SVM的矿井突水水源判别模型,以淮南新庄孜矿各含水层共45个突水样本数据作为研究对象,选取7个主要影响因素作为突水水源的判别依据,对KPCA-CS-SVM水源判别模型进行学习训练及预测分析,并与KPCA-GA-SVM、KPCA-PSO-SVM模型的判别效果进行对比.研究结果表明:KPCA-CS-SVM模型的突水水源判别结果与实际结果保持一致,且其预测准确率、判别速度、稳定性高于其他2个模型.研究结论从新的角度对突水水源进行判别,有助于矿井突水的灾害预判.     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.     

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.     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

城市典型路段的驾驶员酒驾行为识别

目前对驾驶员进行是否酒驾的接触式、非实时的随机抽检方式已难以满足酒驾检测的实际需求.在加速行驶路段、匀速行驶路段、转弯路段等典型城市道路下,以车辆速度、加速度和油门踏板位置、发动机转速等交通参数为输入,采用支持向量机模型对驾驶员的驾驶行为进行识别并判定其是否处于酒驾状态,并采用粒子群优化算法对模型参数进行优化以提高训练速度.研究结果表明,基于粒子群优化算法的支持向量机模型能快速、准确地判定驾驶员是否处于酒驾状态,可为实现非接触式酒驾检测提供理论支持,为安全驾驶辅助系统采取相应措施提供实现基础.     

PSO与PCA融合优化核极限学习机说话人识别算法仿真

基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

基于改进PSO-LSSVM和蒙特卡洛法的电力系统可靠性评估

针对电力系统可靠性评估方法耗时长、误差大等问题,提出一种用改进粒子群优化算法(PSO)优化最小二乘支持向量机(LSSVM)参数,并将构建好的PSO-LSSVM模型与蒙特卡洛法(MCS)相结合用于发输电系统可靠性评估的方法。该方法通过对PSO算法进行合理的改进,得到更为精确的LSSVM模型参数,建立用于分类系统状态样本的PSO-LSSVM模型。对MCS方法抽取的系统状态样本分类得到故障状态和正常状态,仅对故障状态样本进行可靠性指标计算,统计输出可靠性评估结果。采用该方法对IEEE-RTS 79系统不同运行情况下的可靠性指标进行计算,结果表明该方法保证计算时间不变的同时提高了LSSVM-MCS方法的评估精度。     

基于心理声学及支持向量机的扬声器异常音检测算法

目前扬声器异常音检测中,主要使用人工听音和工程师依据经验设置门限法,受主观因素影响大,且不能实现扬声器异常音的分类。为此,提出了一种新的扬声器质量评价方法,即基于心理声学模型和粒子群优化的支持向量机扬声器异常音检测方法。提取并标记扬声器声音响应信号,将其输入心理声学模型,得出心理声学能量均值并输入支持向量机;利用粒子群算法进行调优,最终得到具有最优参数的支持向量机。经试验验证,该模型的检测准确率达到98%。与音色特征法相比,其检测准确率得到较大的提高并实现了异常音分类。     

一种不确定性二叉树SVM的脱机手写体汉字识别研究

针对脱机手写体汉字特征复杂和类别多样的特点,基于SVM数学模型,采用了一种不确定性二叉树与SVM相结合的分类识别方法设计了一种多类分类器,该设计方法在保证识别准确率的情况下大大减少了支持向量机的数量,简化了二叉树模型,能快速辨识并删除多余的枝节,并具有一定的容错率,加快了辨识速度。实验结果表明,采用不确定性二叉树SVM设计的多类分类器有效地降低了拒识率和漏识率,保证了识别的准确率,提高了识别速度。