基于混合仿生算法的SVM参数优化

本文提出一种SVM参数优化的新方法.应用遗传算法先对SVM参数进行初步的优化,把得到的优化结果邻近的一段区域再作为粒子群算法的搜索区间进行二次优化,以提高支持向量机的泛化能力,缩短SVM参数寻优的时间.仿真实验表示,该方法在样本数据缺失的情况下,同样具有较好的泛化能力.     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

基于PSO参数辨识SVM的中长期径流预测研究

以径向基函数作为核函数,利用微粒群(PSO)算法的全局寻优特性进行支持向量机(SVM)的参数辩识.在微粒群搜索参数前,先对参数进行指数变换,使[0,1]和[1,∞]有着相同的搜索概率.微粒群算法的适应值函数是以支持向量机模型的推广能力为标准的,讨论了测试样本的最小误差和留一法对支持向量机学习方法推广能力的两种估计.最后...     

基于PSO结合SVM的肉品新鲜度判别方法

通过测定4种肉样品(猪肉、牛肉、羊肉及虾)的挥发性盐基氮(TVB-N)、细菌总数、pH值和感官评分等指标数据,运用支持向量机方法对以上数据进行综合训练得到数学模型,并对SVM模型参数采用粒子群优化算法进行优化,拟实现肉品新鲜度的快速准确分类.结果表明:仅采用某一项理化指标对肉品新鲜度进行判定误判率较高,而采用默认参数条件下的以RBF为核函数的SVM模型能一定程度上提高判别准确率,但利用PSO优化的SVM模型能将肉品新鲜度判别准确率提高到100%,且模型还具有极好的稳定性.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

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PSO优化的SVM在心脏病分类上的应用

心脏病是世界上致人死亡的主要疾病之一,疾病的早期诊断有利于后期的治疗。针对心脏病数据样本量少,特征变量多的特性,提出了一种基于粒子群优化（PSO）的支持向量机（SVM）心脏病辅助诊断算法。该方法以Cleveland heart disease为数据驱动,采用PSO优化SVM的超参数（包括惩罚参数和核函数参数）,将PSO寻得的最优超参数作为最终模型参数。实验结果表明,所提算法的准确性比传统的SVM有所提高,最高分类准确率达到88%,并且训练过程更加自动化。     

基于引力搜索算法的SVM参数优化及应用

为了提高支持向量机(SVM)模型的拟合精度和泛化能力,以最小化输出量的均方误差为目标,采用基于万有引力定律的优化机制,提出了一种基于引力搜索算法的SVM参数优化方法。通过仿真实验验证,基于引力搜索算法的SVM回归模型不但精度高且泛化能力强。将该方法应用于谷氨酸发酵过程的建模研究,仿真结果表明,该方法可以提高谷氨酸质量浓度的预测精度。     

基于SVM和PSO的烧结工况预报方法

利用滚球算法对在线采集的烧结工况图像进行去噪处理,然后利用大津方法和双快速行进法从去噪后的图像中分割出物料区、火焰区和充分燃烧区等关心区域,再从这些关心区域中提取特征.基于ReliefF-GA方法对特征进行约简,利用PSO优化SVM模型参数,建立烧结工况预报模型,基于该模型进行烧结工况预报.经过大量实验验证,该方法可以较大程度地提高烧结工况的预报率.     

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.     

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.     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

基于约简支持向量机的快速入侵检测算法

标准支持向量机(SVM)算法受时间和空间复杂度约束,无法有效地处理大规模网络入侵检测问题.文中基于SVM的几何解释,提出了一种基于并行凸包分解计算和支持向量机的入侵检测分类算法(PCH-SVM).该算法借助凸包的分解和并行计算快速提取训练样本空间几何凸包的顶点,构建约简SVM训练样本集.实验结果表明,该算法可以在不造成...     

基于同步优化的支持向量机模拟电路故障诊断方法研究

支持向量机模拟电路故障诊断涉及到特征提取、特征选择和支持向量机的参数优化等问题,它们都对诊断结果有直接的影响.针对这一问题,提出了一种基于改进的离散粒子群算法的同步优化方法.该算法采用非线性惯性权重和遗传操作相结合的方法,提高了粒子群前期迭代的探索能力和后期迭代的开发能力,同时降低了粒子群陷入局部最优的风险.通过模拟电路的仿真实验,验证了同步优化方法和改进的离散粒子群算法的有效性.     

基于全局优化方法的SAR图像快速分割算法

为解决变分水平集分割模型能量泛函的非凸性及其易陷入局部极小值解的问题,研究变分水平集分割模型的全局优化问题.基于Aubert-Aujol (AA)去噪模型和变分水平集方法,提出一个局部统计活动轮廓模型;然后通过凸松弛技术将提出的模型转换成全局优化模型;再利用分裂Bregman技术将全局优化模型转化为两个易于计算的Shrinkage算子和Laplace算子.通过对合成图像和Envisat SAR图像的分割实验,提出的全局分割模型不仅能够快速地得到全局最小值,而且比经典模型更准确地得到图像分割边缘.