基于核的k-medoids分类器的参数选择方法

对于基于核的分类算法来说,选择一个最优的核参数是个至关重要的问题.核参数直接影响到基于核的分类算法的分类正确率.作者为基于核的k-medoids分类器提出了一个新的选择参数的方式,即通过目标函数的方式来选择参数.对比传统的选择核参数的方式,该方法克服了计算复杂度高的缺点,且不依赖于数据集分布情况.基于UCI数据集的k--medoids实验表明:提出的选择参数的方法使分类器取得很好的效果.     

支持向量机中核函数及其参数选择研究

将SVM应用于解决实际问题中时,选择核函数及其参数是一个关键,核函数及其参数选择的好坏直接影响SVM分类器性能的优劣,因此如何选择核函数及其参数就成为研究SVM的一个重要分支。本文分析了常用核函数性质,为核函数选择提供指导。对近年来新的核参数选择算法进行了归纳,并分析了它们的优缺点,最后对其进行总结与展望。     

基于鸟群算法的SVM参数选择

针对支持向量机(SVM)分类器参数选择问题,提出了基于鸟群算法(BSA)的SVM参数选择方法(BSASVM),以优化SVM惩罚参数和核参数.鸟群算法具有优化精度高、鲁棒性好等特点,将SVM参数作为鸟群算法目标函数的优化参数,在搜索到最优值的同时得到最优参数.通过8个UCI标准数据集的MATLAB仿真对比实验,验证了BSA-SVM能有效提高分类准确性.实验结果表明:BSA-SVM能更加准确地找到SVM最优参数,从而加强SVM学习与泛化能力,是一种有效的SVM参数优化方法.     

基于IPSO的混合核函数SVM参数优化及应用

针对混合核函数支持向量机(SVM)在建模中的重要参数值选择问题,提出利用具有较强全局搜索能力的改进粒子群优化算法,对混合核函数SVM建模过程中的重要参数进行优化调整,给出应用该方法的具体步骤,通过仿真实验验证该算法的有效性.该方法用于谷氨酸发酵过程的建模研究,取得了较高建模精度.     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

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.     

分形理论下支持向量机核函数选择

支持向量机(support vector machine,SVM)是一种基于核的机器学习方法,不同的核函数对SVM的性能影响显著,如何针对具体问题获得一种有效的核函数选择方法成为SVM研究领域的一个重要问题。目前核函数选取仍是一个开放性的问题,存在着一系列的偶然性和局限性。而针对相对复杂问题时,使用何种类型的单一基核函数难以反映出其分布特征。因此,提出一种基于分形理论的核函数选择方法,在考虑不同核函数度量特征的同时,结合具体问题样本分布特征合理构造或选择核函数类型,并通过数据仿真以及相似性对比验证了算法的合理性。     

一种基于ICDF的支持向量机参数快速优化方法

在高斯核支持向量机(SVM)的参数优化中,针对以特征空间中的类间距离(ICDF)为测度选择核参数时存在计算量大、耗时长的问题,首先提出并证明了ICDF是高斯核参数的严格单峰正定函数,然后根据该结论提出了改进黄金分割法(MGSA)来快速搜索核参数在候选集中的最佳值,在此基础上提出一种基于MGSA和微分进化算法的SVM参数快速优化方法,最后通过比较实验验证了所提方法的有效性和快速性.     

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。     

优化支持向量机核参数的核矩阵方法研究

参数选取问题一直是支持向量机研究的热点.虽然核校准(KTA)方法广泛应用于支持向量机参数优化问题中,但是它仍存在不足.以核矩阵为研究出发点,深入分析了采用核校准方法优化核参数对分类性能的影响,然后综合核校准方法和特征空间中样本集的分布提出了一种核校准改进方法.对比实验表明该算法是有效可行的.     

基于数值模拟的网络安全风险量化参数优化分析

为了解决传统方法无法得到有效参数,导致建立网络安全风险量化模型量化精度低的弊端,通过数值模拟方法研究了网络安全风险量化参数优化问题。针对主机风险计算,依据主机所处状态对风险向量进行定义,通过加权计算得到合理的权重函数,将主机直接风险值和间接风险值结合在一起,获取主机风险值。将主机风险值相加求和,求算数平均值,获取网络在某时刻的平均风险值。针对风险值中的复杂函数,采用引入时延的支持向量机方法建立网络安全风险量化模型,对其进行描述。针对建立的网络安全风险量化模型中的重要参数惩罚因子和核函数宽度系数,采用蚁群算法进行初寻优,对待优化参数进行数值模拟,得到最优惩罚因子为10,最优核函数宽度系数为0.112。结果表明：采用所提方法对网络中主机1进行安全风险量化,得到的结果和主机1实际风险情况相符,研究其它主机可得到相同结论;所提方法对网络安全风险量化值和实际结果最为相符;所提方法量化结果误差最低。可见所提方法参数优化性能优,对网络安全风险量化精度高。     

改进的混沌粒子群算法对WLS-SVM性能参数的优化

加权最小二乘支持向量机(WLS-SVM)的学习性能和泛化能力取决于其正则化因子C和核函数参数σ的取值。对此,针对WLS-SVM建立C和σ的组合优化目标函数,采用基于Lozi映射的粒子群(PSO)算法来搜索最优目标函数值。迭代过程中,通过分别映射PSO个体最优位置,把产生的混沌序列中的最优解分别逆运算取代当前个体最优位置,引入混沌机制,以混沌变量的遍历性改进粒子群算法,提高全局搜索能力,避免过早陷入局部最优。将其应用于某玩具企业原料月消耗量预测,结果表明了文中所提方法的有效性。     

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。     

基于核函数的最大间隔聚类算法

提出了基于最优超平面与支持向量机思想的最大间隔聚类算法。该方法借鉴了最优超平面思想和用核函数非线性映射构造支持向量机的思想。通过构造一个二次规划问题 ,得到了使分类后两类间距最大的聚类方法 ,并且借助非线性核函数将该方法推广到非线性情况。仿真试验表明 :该方法可以较好地解决很多非监督分类问题 ,得到的结果基本不受数据分布形状的影响     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于改进支持向量机的永磁驱动器设计

将多输出支持向量机回归方法与模糊化理论相结合,提出一种永磁驱动器的设计方法.首先,引入空间粒子群优化算法对合成核多输出支持向量回归模型参数进行寻优,在此基础上通过实验法建立了永磁驱动器的性能与结构参数的多目标回归模型;然后,运用模糊理论将多目标转化为单目标,建立了设计问题的数学模型并利用空间粒子群算法进行求解;最后,通过模型精度分析以及ANSYS仿真和样机的测试,验证了该方法的有效性.     

二维Tsallis熵阈值法中基于粒子群优化的参数选取

针对二维Tsallis熵阈值分割法中参数q的选取问题,提出一种粒子群优化算法自适应选取参数q的方法.该方法基于一种图像分割质量评价指标—均匀性测度,利用粒子群优化算法对参数q在参数空间进行优化搜索,从而实现了二维Tsallis熵阈值分割法的自动阈值选取.实验表明,所提出的方法可以根据具体的图像有效地选取参数q,获得理想的图像分割结果.