基于细菌觅食优化决策的齿轮箱故障诊断

在利用SVM对齿轮箱进行故障诊断决策时,SVM模型参数(核参数及惩罚因子)对齿轮箱故障的诊断结果影响很大,而最优参数难以获取,针对这一问题,提出一种基于自适应细菌觅食算法(BFA)的SVM参数快速选取方法。以齿轮箱故障诊断过程为实验对象,对比分析网格搜索法、遗传算法、粒子群算法与细菌觅食算法对SVM径向基核函数参数δ及惩罚因子C的优化性能。研究结果表明:细菌觅食算法能够更加快速地选取到最优参数;采用细菌觅食算法优化SVM参数可以进一步提高齿轮箱故障诊断的精度。     

基于多核函数的模糊支持向量机学习算法

作者针对单个核函数构成的SVM并不能满足诸如数据异构或不规则、样本规模巨大、样本分布不平坦等实际应用的需求,而将多个核函数进行组合,以获得更好的效果,提出一种基于多核的模糊支持向量机算法。此算法决策树中的模糊核权重主要是借助于样本各自的模糊因子来确定。仿真实验数据表明:与传统单核函数支持向量机相比,多核模糊支持向量机具有很好的优越性。     

基于多核支持向量机的句子分类算法

主流句子分类算法采用单一词向量表示模型获得文本表示,导致了对文本的映射能力不足.对此,通过融合多种词向量的文本表示以提高分类的准确率.针对多核学习在融合不同核函数时,常规的核函数系数寻优方法存在的训练时间长、难以求得局部最优解等问题,提出了一种新的核函数系数寻优方法,该方法基于参数空间分割与广度优先搜索不断逼近核系数的最优值.以支持向量机(support vector machine,SVM)为分类器,在7个文本数据集上进行了分类实验.实验结果表明,多核学习分类效果明显优于单核学习,并且所提出的寻优方法在训练次数少于常规方法时也能获得了好的分类效果.     

一种多核加权支持向量机的水质预测方法

提出一种基于多核加权支持向量机的水质预测方法.核函数及其参数选择与数据分布的情况密切相关,采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果.采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题.实例表明,该方法的预测结果是合理可行的,且与以往同类预测方法相比,有着更为客观...     

基于细菌觅食优化算法的图像聚类方法研究

利用细菌觅食优化算法研究图像聚类问题,采用群体智能模式实现问题解的搜索.首先提取图像特征以确定解的编码形式,初始化种群,在此基础上利用细菌觅食优化算法的细菌迁徙算子、繁殖算子和趋化算子实现群体内个体之间的相互合作和竞争,提高了算法的搜索能力,实验证明该算法具有较强的适应性和鲁棒性.     

基于人工蜂群算法的支持向量机优化

支持向量机的分类性能在很大程度上取决于其相关参数的选择,针对该问题提出基于人工蜂群算法的支持向量机参数优选方法并将其应用于电机轴承的智能故障诊断.该方法采用分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子与核函数参数进行优化.通过在多个标准数据集上的测试证明,与遗传算法等传统优化算法相比,人工蜂群...     

支持向量机研究与应用

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，同时也是到目前为止统计学习理论最成功的实现。支持向量机在模式识别、回归估计、函数逼近等领域有了广泛的应用。论述了支持向量机的研究、应用状况，指出了支持向量机研究和应用中待解决的一些问题和今后进一步的研究方向。     

基于主成分分析和多核支持向量机的农业保险需求预测

为了探索中国农业保险需求评估的新模式,提出一种基于数据降维和多核支持向量机的农业保险需求预测方法;利用主成分分析进行数据降维,从农户经济条件因素、社会文化因素、地理环境因素和政府补贴因素4个方面的7个解释变量中提取出主要影响因子;采用权重的方式将局部和全局的核函数进行线性相加,组成多核支持向量机,实现农业保险需求预测....     

基于云模型的细菌觅食优化算法

针对细菌觅食优化算法收敛速度慢、容易陷入局部极值点出现早熟的问题,提出一种新的基于云模型优化的细菌觅食优化算法.首先给出了细菌灵敏度的概念,结合云模型随机性和稳定倾向性的特点,运用了X条件云发生器来调整细菌灵敏度,控制游动步长,进行了趋向性操作和复制操作,改进了标准的细菌觅食优化算法,提高了算法的收敛速度.然后利用正向正态云发生器,修正非线性自适应的迁移概率,进行了迁移操作,增强了算法的全局寻优能力.将该算法应用于自动组卷系统中,与遗传算法进行实验比较分析,结果表明:该算法的收敛速度与优化质量均优于遗传算法.     

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.     

基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题，讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理，提出了一种简化算法．针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足，简化算法不需计算梯度，而是利用固定的迭代步长来实现核函数一个参数的优化．依据简化算法实现了二分类故障分类器的参数优化，并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中．测试结果表明，通过参数优化可提高故障分类器的分类能力．     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

基于蝙蝠算法的支持向量机参数优化

目的针对支持向量机(support vector machine,SVM)的参数选择的重要性,研究一种新的参数优化方法。方法介于蝙蝠算法的模型简单、全局搜索能力强等特点。本文提出基于蝙蝠算法(BA)的SVM参数优化方法,对SVM的惩罚参数和核参数进行优化。结果通过8个UCI标准数据库集的Matlab仿真实验,验证了算法的有效性和可靠性。结论本文方法搜索的最优参数较大地提高了SVM的分类精度,加强了SVM的学习和泛化能力,是一种有效及稳定的支持向量机参数优化方法。     

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.     

改进的细菌觅食算法

为提高细菌觅食算法的性能, 将免疫算法与细菌觅食算法融合, 利用免疫算法的克隆选择思想代替细菌觅食算法的复制操作; 在趋向性操作中, 随着迭代的进行, 逐步缩小细菌运动步长, 在保证细菌收敛性的同时增强细菌的全局搜索性能; 改进迁移操作, 保证适应度值最高的细菌不被驱散, 以提高收敛精度。仿真表明,优化后的算法得到最优值比BFA(Bacterial Foraging Algorithm)的最优值更靠近函数的最优值, 证明其寻优能力更强, 且3 个函数的方差均小于BFA 的方差, 证明其稳定性也更好。     

支持向量机的凸优化求解

支持向量机(SVM)是一种基于统计学习理论的机器学习方法,由于其优越的学习性能,已经成为当前模式识别、数据挖掘、大数据处理等机器学习领域的研究热点.查阅相关同类文章,发现其中对SVM理论中公式,如距离函数d、拉格朗日函数L(w,b,α)、二次凸优化函数f(x)等的来龙去脉缺少细致的阐述.本文对SVM理论中典型的线性最优二分类问题的求解进行了完整的推导,并给出了对岩屑岩性分类识别的结果,也为今后的非线性多类模式分解作出铺垫.     

自适应细菌觅食算法在优化问题中的应用

细菌觅食算法在求解优化问题时,以固定的步长进行趋向操作,同时以固定概率对细菌个体进行随机驱散操作,虽然可以一定程度上增加种群多样性,但是在进化后期容易使优秀的个体流失,影响算法的寻优质量.针对上述问题,论文提出步长自适应调整和驱散概率自适应调整两项改进策略,分别根据算法进化程度和细菌个体的能量值动态调整趋向操作的步长和驱散操作的概率,从而使算法在保证种群多样性的前提下,保持细菌个体具有较高觅食能力,促进算法局部搜索和全局优化的平衡.对标准测试函数和TSP问题的测试结果表明:基于自学习的细菌觅食算法具有较强的全局寻优能力,适合求解高维复杂优化问题.     

基于蚁群优化算法的支持向量机参数选择及仿真

基于支持向量回归机（SVR）模型的拟合精度和泛化能力取决于其相关参数的选取,以蚁群优化算法为基础,给出支持向量回归机参数优化的一种新方法。该方法以最小化k-fold交叉验证误差为目标,对支持向量回归机中的核参数σ和惩罚系数C由蚁群系统中的节点值体现,数值的优选通过蚂蚁对最优路径的选择进行确定。计算机仿真结果表明：与正交法、遗传算法等相比,该方法在参数优化方面有良好的鲁棒性能和较强的全局搜索能力;该方法用于青霉素发酵过程的建模研究,建模精度较高。     

基于动态网格优化算法的支持向量机回归应用

在支持向量机的回归分析过程中,由于多个参数需要同时调整,并且参数的取值范围大,给实际的工程应用带来很大困难,针对上述问题,本文提出了动态网格优化算法,使用优化后的参数来训练支持向量机,用测试样本对回归模型进行评价后可以得到较小的均方误盖值。     

支持向量机的训练算法

大量数据下支持向量机(SVM)的训练算法是SVM研究的一个重要方向和广大研究者关注的焦点。该文回顾了近几年来这一领域的研究情况。该文从分析SVM训练问题的实质和难点出发,结合目前一些主要的SVM训练方法及它们之间的联系,重点阐述当前最有代表性的一种算法——序贯最小优化(SMO)算法及其改进算法。从中可以看到,包括SMO在内的分解算法通过求解一系列规模较小的子问题逐步逼近最优解,从而避免存储整个Hessian矩阵,是解决大规模SVM训练问题的主要方法。而工作集的选择对于分解算法的收敛与否和收敛速度至关重要。