基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

基于蚁群算法的支持向量机参数优化

针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.     

改进蚁群算法优化SVM参数的网络入侵检测模型研究收

基于支持向量机（support vector machine, SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此 SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法（modified ant colony optimization algorithm-support vector machine, MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优 参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数, 建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

改进蚁群算法优化SVM参数的网络入侵检测模型研究

基于支持向量机(support vector machine,SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法(modified ant colony optimization algorithm-support vector machine,MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

基于MAPSO优化LSSVM的锅炉燃烧建模研究

针对锅炉燃烧系统智能算法建模,为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点,提出一种改进型的蚂蚁?粒子群算法(MAPSO)对LSSVM模型参数进行优化.根据模式搜索的"探测"思想,通过与蚁群算法移动规则的结合改进粒子群算法,增加粒子群算法的小步长局部搜索...     

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。     

基于改进支持向量机的空气质量监测预警模型

在使用粒子群和组合预测方法改进传统支持向量机预测精度的基础上,构建了基于空气质量指数的城市空气质量监测预警模型.在参数优化方面,为了提高惩罚参数和核参数的选择精度,利用带收敛因子的粒子群算法,优化了网格搜索交叉验证法的参数筛选流程;在模型改进方面,为综合利用多种预测算法的优势,引入组合预测方式对灰色预测、时间序列预测和PSO-SVM模型的预测结果进行最优线性组合.结果表明:改进后的参数筛选流程和支持向量机的空气质量监测预警模型具有预测数据结构风险低、预测均方误差最小、运算精度高、运算速度快和适用性广等特征.     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

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。     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.