PSO-ε-SVM的回归算法

回归支持向量机的ε不敏感损失函数的参数寻优是一个重要的问题,它与支持向量机的行为特性有紧密关系。本文给出了一种基于粒子群优化算法的、对ε不敏感损失函数的ε参数寻优的方法,仿真结果表明:采用基于粒子群优化算法的寻优方法寻找ε参数,需要重复训练回归支持向量机模型的次数明显小于格点搜索方法,节省了大量的时间并且能找到较优的ε值。     

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.     

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。     

基于遗传算法优化的支持向量机品位插值模型

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性.     

基于支持向量回归的钢材力学性能模型及应用

根据化学成分准确预测钢材产品的力学性能并及时调整相关生产的控制策略,将有效地提高钢铁生产的最终产品质量.支持向量机是一种建立在统计学习理论基础上的机器学习方法,介绍了基于此算法基础上的一种ε-支持向量回归机算法及其推导过程,建立了基于ε-支持向量回归机的钢材力学性能模型,通过实际应用表明该模型比Excel回归预测具有更高的精度.     

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...     

PSO-SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机(SVR)的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数γ三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明:基于PSOSVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

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。     

基于改进PSO算法参数优化的模糊支持向量分类机

借助遗传算法中交叉和选择的思想策略,提出一种改进的粒子群算法对模糊支持向量机的参数进行优化选择.结果表明:该方法能够减少模糊支持向量机参数选择的盲目性,增强了模糊支持向量机的泛化能力,同时也提高了其分类精度.     

基于正交试验和GA-SVM的硅胶发泡工艺参数优化

针对硅胶发泡工艺参数优选时存在的耗时、成本高和准确率低等问题,提出了一种基于遗传算法改进的支持向量机优化方法,该方法在正交试验的基础上利用遗传算法和支持向量机的优点,进行了极差、方差分析,建立了基于遗传算法优化的支持向量机模型GA-SVM,利用该模型对硅胶泡沫材料的表观密度进行了优化,并测试了优化后的硅胶泡沫材料微观结构、力学性能及阻燃性能。结果表明:将正交试验、遗传算法与支持向量机三者结合用于硅胶发泡工艺参数的优化可以明显提高发泡工艺设计效率,GA-SVM优化算法得到的预测值与实测值的相对误差在1.1%以内,且GA-SVM优化算法可获得比单纯使用正交试验更优的硅胶发泡方案,为硅胶发泡工艺参数优化提供了一种新的思路。     

金融时间序列预测中的GA-SVR方法

针对支持向量机方法在金融时间序列预测的过程中,模型参数选取不当的导致预测精度较低等问题,利用遗传算法优化选取支持向量机模型参数,建立了一种基于遗传算法优化支持向量机参数的金融时间序列预测模型。并将该方法应用于我国上证指数时间序列预测中。实验结果表明基于遗传算法优化的支持向量机方法能较好的反映金融时间序列预测规律,并且提高了模型预测精度。     

基于PSO-SVR的发酵过程状态预估模型

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归（SVR）模型的复杂性和冷化特征取决于其三个参数ε,c,γ能否取到最优值,采用粒子群优化（PSO）算法实现对参数ε,c,γ的同时寻优。在此基础上,以饲料用β-甘露聚糖酶为对象,建立了基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明：该模型具有很好的学习精度和泛化能力,可实现对β-甘露聚糖酶产物浓度的实时在线预估。     

基于遗传算法寻优的支持向量机图像插值方法

锯齿波、边缘模糊是影响图像质量的重要因素,为了有效提高图像质量,提出了一种优化支持向量机图像插值方法.先将遗传算法应用到支持向量机的参数寻优,将使用最优参数的支持向量机结合图像相关性对图像插值.算法根据图像相关性选择适当的相邻点作为输入模式训练支持向量机,用训练好的支持向量机及输入模式估计出待插值点的像素值.仿真结果表明,与已有算法相比,该算法获得图像的RPSN值、NMSE值、MSE等指标均有明显改善,且视觉效果有显著提高.     

线性规划支持向量机

通过对统计学习理论中的支持向量回归问题,特别是结构风险问题和ε-不敏感函数的分析,得到了一种新的支持向量回归算法.新算法将传统的支持向量回归问题中的二次优化问题改进为线性规划问题,这一改进大大降低了求解的复杂度,其训练时间快了至少一个数量级以上.最后对人工和实际的样本进行了试验,结果说明了线性规划支持向量回归能较好地逼近被估计函数,且计算复杂度明显降低.     

一种可自适应分组的多输入多输出支持向量机算法

针对不同输出端之间相关程度的差异对多输入多输出回归模型泛化能力的影响,提出了一种基于自适应分组的多输入多输出支持向量机算法.该算法基于相关性强的输出端其模型参数也较相似的假设,首先在多维支持向量机的基础上引入带分组结构的正则项,进而将上述正则化问题转变为混合0-1规划;其次,采用交替优化的方法,使相关性强的输出端在同一个分组内进行独立训练,最终自适应地识别最优分组结构和模型参数.分别采用仿真数据和圆柱壳振动工程数据对所提算法进行测试,结果表明,该算法可有效辨识出输出端的相关度,与传统算法相比,该算法可有效提高支持向量机回归模型的泛化能力.     

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.     

一种免疫优化的LS-SVR集成算法及其故障预报应用

针对支持向量机集成问题,将最小二乘支持向量回归机作为子回归机,定义子回归机的结构差异度概念,提出一种基于免疫算法优化的多回归机集成方法.该方法首先对各子回归机参数免疫优化,从而减小训练误差;在此基础上选择满足固定差异度的子回归机进行集成,并对集成权值再次优化选择,提高最小二乘支持向量回归机集成的泛化性能.将该方法应用于噪声污染的非线性时间序列的故障预报,利用预测误差反映的故障信息可以实现微小未知故障的快速预报.仿真结果证明了方法的有效性.     

基于ν-支持向量机的边际电价预测及置信区间估计

引入ν-支持向量机,通过构造和求解一个凸优化问题,同时实现了对边际电价的预测和对置信区间的估计,且无需假定预测偏差的概率分布.在ν-支持向量回归中,当ε＞0时,ν是错误样本的个数占总样本个数份额的上界.利用该性质,边际电价预测的置信度和置信区间可以很自然地用参数1-ν和变量ε来表示,这为发电公司进行竞价方案的风险分析打下了很好的基础.算例仿真表明,该方法具有较好的泛化性能和较高的预测精度.     

基于支持向量回归的增量学习算法

提出了一种基于支持向量回归的增量学习算法,该算法在增量学习中除了考虑原训练集中的支持向量(SVs)外,还考虑了非SVs与ε-带(-iεnsensitive zone)的边界距离较近的样本,并将这些样本与新的训练集一起训练.试验结果表明,与传统的支持向量机增量学习算法相比,此算法提高了训练精度;与经典的SVR相比,此算法大大节约了训练时间,是一种行之有效的增量学习算法.     

基于模糊遗传优化支持向量机的系统辨识研究

在实际应用中支持向量机的参数选取问题一直没有得到很好地解决,限制了其应用。为了能够自动获取最优的支持向量机参数,提出了基于模糊遗传算法的SVM参数选择方法,用模糊逻辑在线调整遗传算法的交叉概率pc和变异概率pm,并采用基于模糊遗传优化的支持向量机回归和BP神经网络对非线性系统辨识问题进行了研究。仿真结果表明,在小样本情况下,支持向量机比神经网络具有更高的系统辨识精度和更好的泛化能力。