基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对支持向量机(support vector machine,SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化SVM的故障诊断方法.利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型.结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67％,比传统的遗传算法(genetic algorithm,GA)-SVM和粒子群算法(particle swarm optimization,PSO)-SVM诊断模型分别提高3.34％和1.67％,且收敛速度更快,可有效应用于故障诊断.     

基于GEP的支持向量机参数优化

支持向量机(SVM)具有优良的学习能力和推广能力,然而其性能依赖于参数的选取.本文对影响模型分类能力的相关参数(C、σ2)进行了研究,提出了一种基于基因表达式编程(Gene Expression Programming,GEP)的支持向量机参数选择算法,即根据参数在分类器中的作用,利用GEP优化参数的两种编码方案分别对C与σ2进行编码,期望改进支持向量机的分类精度和泛化能力.最后实验表明了本文算法的有效性.     

支持向量机参数选择中加速混沌搜索策略及其应用

为解决支持向量机(SVM)参数选择问题,采用Cheby-shev映射、改变优化搜索公式和增加3次载波,提出一种改进的加速混沌优化算法(ISCOA).应用人工数据集和实际数据集进行论证,并与常规的交叉验证法(CV)进行比较.结果证明了该改进算法在支持向量机参数选择中的有效性和实用性.     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

基于涡流搜索算法的过程支持向量回归机模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理的问题, 提出了一种用于时间序列预测 的过程支持向量回归模型, 采用涡流搜索算法优化选择模型参数, 采用 UCI(University of California Irvine)数据 库的空气质量数据集和比利时 SIDC(Solar Influences Data Analysis Center)的太阳黑子数据进行仿真实验。 实验 结果表明, 该模型预测结果均优于粒子群过程支持向量回归机和支持向量回归机的预测结果, 具有较好的预测 能力。     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

基于支持向量机算法的连铸漏钢预报模型研究

漏钢预报系统的性能往往取决于其算法模型的性能,支持向量机(SVM)算法在解决小样本、非线性及高维模式识别中具有许多特有优势,能够避免神经网络隐含层节点选择及局部极小值等问题,而不同的SVM算法参数往往会对其性能产生显著影响。为此,本文利用GS网格搜索法、PSO粒子群算法和GA遗传算法对SVM支持向量机的算法参数进行了优化,并将优化后的SVM支持向量机算法应用到连铸漏钢预报系统中;利用某钢厂CSP连铸生产线的历史生产数据对各优化后的SVM支持向量机算法进行了训练和测试。测试结果表明,用GA遗传算法优化后的SVM支持向量机算法测试效果较好,得到了98.33%的预报率和100%的报出率,从而验证了基于SVM支持向量机漏钢预报系统的可行性和有效性。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于引力搜索算法的SVM参数优化及应用

为了提高支持向量机(SVM)模型的拟合精度和泛化能力,以最小化输出量的均方误差为目标,采用基于万有引力定律的优化机制,提出了一种基于引力搜索算法的SVM参数优化方法。通过仿真实验验证,基于引力搜索算法的SVM回归模型不但精度高且泛化能力强。将该方法应用于谷氨酸发酵过程的建模研究,仿真结果表明,该方法可以提高谷氨酸质量浓度的预测精度。     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

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。     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.     

基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

单形进化算法优化的SVM滚动轴承故障诊断

由于支持向量机的参数优化算法存在控制参数多、易陷入局部最优解的问题,提出了一种单形进化算法优化的支持向量机滚动轴承故障诊断方法.首先,单形进化算法利用全随机的方式建立粒子的单形邻域搜索算子以减少算法控制参数,建立粒子多角色态搜索策略以避免算法陷入局部最优解;然后,将单形进化算法应用于支持向量机的参数寻优,并用滚动轴承信号完成故障诊断;试验中,采用滚动轴承信号的集总经验模态分解的能量特征作为输入,进行算法的性能分析与测试.结果表明该算法可以有效地缓解粒子陷入局部最优解,且减少了控制参数,并能完成滚动轴承故障信号的诊断与识别.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

基于改进型蚁狮算法的PID控制器参数优化

由于被控对象往往具有高阶非线性等特点,传统PID( Proportion Integration Differentiation) 控制器参数整定方法容易使控制器出现超调、震荡、性能变差等缺陷。为此,提出运用将蚂蚁和蚁狮的移动步长进行改进的蚁狮算法对参数进行优化,通过其互动关系,选择最佳蚁狮位置确定控制器参数,并与改进前蚁狮算法及其他优化算法进行了对比。仿真结果表明,基于改进型蚁狮算法的PID 控制器具有较好的性能指标,相比于改进前蚁狮算法、遗传算法和粒子群算法,该算法具有较高的系统控制精度,以及较短的响应时间等优点,且算法实现更加简单,证明了该方法对于优化PID 参数具有优越性和有效性,为PID 控制器的参数优化提供了参考。     

基于和声搜索算法的支持向量机参数优化

支持向量机是建立在统计学理论基础上,以结构风险最小为原则的一种机器学习算法,能够很好地解决小样本、高维数、非线性等问题,被广泛地应用于模式识别、函数估计及回归预测等领域.但是支持向量机性能的高低往往取决于其相关参数的正确选择.为提高优化参数的精度及效率,利用和声搜索算法的全局寻优能力,对支持向量机的惩罚参数及核参数进行优化选择.通过4个标准UCI数据集的仿真实验,结果表明本算法不仅减少了搜索时间,而且所获得的参数能大幅提高支持向量机的性能和预测精度,提高了泛化能力.