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...     

基于混沌理论的海杂波背景下雷达回波数据处理

提出一种海杂波背景下雷达回波数据处理的设计方案：即不改变原始数据动态特性基础上对其进行预处理,再检验数据的混沌性,最后利用径向基函数（RBF）神经网络作为预测器,对目标有无进行判断。实验结果表明,该方案可以有效提高海杂波背景下雷达的探测能力。     

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。     

基于径向基函数的海杂波时间序列预测方法

介绍基于混沌理论的海杂波分析方法,依据加拿大McMaster大学IPIX雷达实测海杂波数据,按照TAKENS的嵌入定理,设计了混沌预测器.预测器采用径向基函数神经网络重建海杂波的混沌动力系统,即建立海杂波的精确预测模型.实验表明,基于径向基函数的混沌时间序列预测器精度完全能够实现单步预测功能.学习误差为0.0232,预测误差为0.0277.     

基于改进人工蜂群算法的大数据优化

针对传统方法无法解决具有5 V独特属性的大数据优化问题,提出基于改进人工蜂群(Artificial Bee Colony,ABC)算法的大数据优化信号重构算法.该算法通过引导所考虑问题的现有信息来初始化食物源,在引领蜂阶段使用交叉和变异算子生成候选解,并使用轮盘赌反向选择机制生成要交叉的食物源,观察蜂采用Rechenb...     

基于FBM的海杂波建模方法

为了建立具有多重分形特性的海杂波模型,提出了基于分式Brown运动模型的海杂波建模方法。该方法通过将分式Brown运动模型与随机时间序列模型结合,产生了一个近似多重分形的随机过程来模拟海杂波序列。Matlab仿真与实测数据进行对比，结果表明:模型产生序列具有多重分形的性质,可以有效地对海杂波进行模拟。     

基于WLS的OTHR短时自适应海杂波抑制方法

基于高频海杂波的空间相关特性,从自适应滤波的角度提出了一种基于加权最小二乘(WLS)的天波超视距雷达(OTHR)短时自适应海杂波抑制方法.在自适应权值求解过程中,采用基于QR分解的直接数据域处理方法,避免传统基于相关矩阵求逆方法的数值稳定性较差的缺陷.结果表明:与现有的基于空间相关性的海杂波抑制方法相比,所提方法具有更优的杂波抑制性能,同时兼备对参考距离单元数要求更低、计算量更小、自适应能力更强的优点,工程适用性较强.实测数据处理分析验证了所提方法的有效性.     

基于混沌理论的海杂波处理方案设计

提出一种海杂波背景下雷达回波数据处理的设计方案:即不改变原始数据动态特性基础上对其进行预处理,再检验数据的混沌性,最后利用径向基函数(RBF)神经网络作为预测器,对目标有无进行判断。通过实验表明,该方案可以提高海杂波背景下雷达的探测能力。     

基于人工蜂群优化循环神经网络的财务危机预测

为了提高财务危机预测的性能,采用循环神经网络(Recurrent neural network, RNN)对关键指标进行分析训练,以解决因为时间变化带来的深度学习网络预测准确率性能下降的问题。选取关键指标特征生成预测样本,并充分利用RNN在时间序列的循环计算优势,采用差异化时间序列的赋权策略,记忆不同历史时间序列对RNN预测分析的影响。经过RNN训练,并采用隐藏层输出不断循环的方式,将历史时间段输入不断作用于当前训练输出。引入人工蜂群(Artificial bee colony, ABC)算法在RNN反向传播过程中对时间序列权重进行更新。将RNN网络输出值与预测值的均方误差作为ABC的适用度函数,获得全局最优的ABC-RNN预测模型。试验证明,合理优化历史时间序列权重,能够获得较高的危机预测准确率。和常用预测算法对比,所提ABC-RNN算法的预测准确率更高,且曲线面积(Area under the curve, AUC)值更高。     

基于人工蜂群算法的TSP仿真

针对标准蚁群算法求解的旅行商问题(TSP)存在收敛速度慢,易陷入局部最优等缺陷,将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程,并分析了人工蜂群算法及3种基本算法模型,3种引领因子更新策略,讨论了转移因子动态更新公式及状态转移公式,研究了利用该算法求解TSP问题的具体步骤,通过典型的TSP实例进行了仿真实验,结果表明该算法能够克服早熟现象,迭代次数少,收敛速度快,通用性强,比标准蚁群算法具有一定优势.     

基于人工蜂群的模糊聚类算法

针对模糊C-均值(FCM)聚类算法存在容易陷入局部极小值、对初始值和噪声数据敏感的缺点,提出一种基于人工蜂群(ABC)的模糊聚类算法(ABFM).该算法引入全局寻优能力强的人工蜂群算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点.实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好.     

基于人工蜂群算法的二维最小误差阈值分割

鉴于人工蜂群算法（ Artificial Bee Colony algorithm ,ABC）常用于连续域,具有控制参数少、操作简单和易于实现等优点和二维最小误差阈值分割法复杂度高的问题,提出一种基于人工蜂群算法的二维最小误差阈值分割方法（ Two-dimensional Minimum Error Thresholding based on Artificial Bee Colony algorithm , TMET-ABC）。针对离散域的二维最小误差阈值分割方法,对标准的ABC算法进行修改,构建离散域的人工蜂群算法;依据最小误差公式中变量的三种不同计算方式,提出了3种TMET-ABC 方法：直接计算TMET-ABC、数组计算TMET-ABC和递推计算TMET-ABC。仿真结果表明,提出的3种方法能够在达到现有的二维最小误差阈值分割法的分割效果同时,大大加快运行速度,并且3种方法可应用于不同的分割场合。     

基于多目标蜂群算法的数据分类方法

为了保证运算时效的同时,提高复杂数据的分类精度,提出了基于多目标蜂群算法和极限学习机的数据分类算法。该方法以最小的特征个数和最高的分类精度为优化目标,利用改进的多目标蜂群算法对数据的特征个数和分类器参数进行寻优,针对多个有代表性的数据集进行仿真,结果表明所提出方法的有效性。     

基于蜂群算法的多小波图像去噪研究

针对在多小波图像去噪中阈值难以选取问题,提出基于群体智能算法—人工蜂群算法(artificial bee colonyalgorithm,ABC)优化多小波阈值。详细介绍了群体智能算法的发展历程和分类,阐述了ABC算法的基本原理、工作流程,及其优化多小波阈值在图像去噪中的具体步骤,比较了遗传算法(genetic algorithm,GA)、粒子群算法(par-ticle swarm optimization,PSO)、蚁群算法(antcolonyoptimization,ACO)以及ABC算法4种算法各自的优缺点。将提出的方法与GA算法和PSO算法优化多小波阈值进行了对比,通过仿真,证明提出的算法可以有效地去除高斯白噪声,提高图像的峰值信噪比(peak signal to noise ratio,PSNR),具有很好的去噪效果。     

基于行动轨迹的人工蜂群算法

人工蜂群算法中蜜蜂在开采蜜源时,随机选择维度,随意决定开采方向和步伐来搜索新蜜源,没有利用以往的搜索经验,导致其收敛速度过慢.对此提出了基于行动轨迹的人工蜂群算法,记录跟随蜜蜂开采蜜源的行动轨迹,并以此为经验引导下一次开采,以提高人工蜂群算法的开采能力.通过对优化函数寻优测试,实验结果表明该算法不仅加快收敛速度,提高寻优能力,还具有良好的鲁棒性和稳定性.     

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.     

一种改进的人工蜂群算法——粒子蜂群算法

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中"全局最优"的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的"发展潜力",趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度     

基于人工蜂群的空间资源受限项目调度算法

空间资源调度问题在满足时间和空间资源约束的前提下,追求项目工期最短以及空间资源利用的最大化,针对该问题对空间资源进行抽象,建立数学模型,在配置空间理论基础上,提出基于人工蜂群的时空资源受限项目调度算法。对不同规模的问题实例采用不同的算法进行对比,结果表明本文算法在相对较短时间内可以获得较优的调度方案。     

基于改进人工蜂群算法的共形阵列波束形成

针对共形阵列中主瓣约束下的波束形成问题,文章提出了一种基于改进人工蜂群算法(Improved Artificial Bee Colony algorithm,IABC)的低副瓣方向图综合算法。算法首先将共形阵列的波束形成问题归纳为一个与目标方向图距离最小化的优化问题。通过引入多维邻域搜索策略,改善人工蜂群算法的局部搜索效率,同时通过增加罚函数来抑制副瓣电平,对权值矢量空间进行搜索,寻求最优权值矢量,最终得到与期望逼近的阵列方向图。实验结果表明该算法能够很好地逼近期望方向图,收敛速度快,为实现共形阵列下的波束形成提供了有价值的参考。     

基于人工蜂群算法的改进研究与实现

参数的选择直接影响着最小二乘支持向量机(LSSVM)的泛化性能和回归效验,是确保LSSVM优秀性能的关键.为了解决以上问题,对人工蜂群算法(ABC)进行了改进,引入新解越界处理方法,研究了一种基于双种群策略的蜂群算法,同时提出提出一种运行时参数调整方法,然后验证优化后的算法IIABC的准确性与健壮性.燃气回归分析采用平均绝对百分比误差(MAPE)作为IIABC算法基准方法,实验结果表明基于IIABC-LSSVM预测结果比IABC-LSSVM有着更高的准确性.