基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.     

基于改进混沌粒子群的混合核SVM参数优化及应用

针对混合核SVM的多参数优化问题, 提出利用改进混沌粒子群（ICPSO）对SVM基本参数（惩罚因子、核参数等）、混合核可调参数进行寻优, 以获取最佳参数组合。实验结果表明, 该方法能够快速有效地提取最优参数组合, 其泛化性能明显提升, 拟合效果更好。该方法用于煤与瓦斯突出预测, 具有良好的建模效果和更高的预测精度。     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

一种采用CCPSO-SVM的煤与瓦斯突出预测方法

为了有效地对矿井煤与瓦斯突出进行预测,提出了一种基于完全混沌粒子群优化(CCPSO)与支持向量机 (SVM)的矿井煤与瓦斯突出预测方法。该方法将矿井工作面前方煤体瓦斯涌出量动态变化时间序列的多重分维谱 作为特征指标,应用支持向量(SVM)构建预测模型,模型的参数向量由改进的完全混沌粒子群优化算法和测试集样 本集分类错误率最小准则选择和优化。实验结果证明,该方法是有效的,它为煤与瓦斯突出预测提供了一种新途径。     

基于改进的PSO优化SVM火灾火焰识别算法研究

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法;首先在YCrCb颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别;算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法;仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

基于LLE-FOA-BP模型的煤与瓦斯突出强度预测

针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题,提出了一种基于局部线性嵌入法-果蝇优化算法-BP神经网络(LLE-FOA-BP)模型的煤与瓦斯突出强度预测方法。借助LLE算法的非线性数据特征提取优势,提取煤与瓦斯突出影响因素原始数据的本质特征,形成重构有效因子,降低数据间的冗余信息及噪声;利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值,避免陷入局部极小,提高参数寻优效率;将重构有效因子输入优化后的BP神经网络进行训练,实现煤与瓦斯突出强度快速、准确预测。测试结果表明,LLE-FOA-BP模型的平均相对误差为8.06%,相对误差的方差为3.69,经过24次迭代训练就达到10~(-8)的训练精度,能够在保证预测精度的基础上,提高鲁棒性和学习效率。     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

基于量子粒子群优化SVM算法的水质预测研究

水质分类受多个特征属性影响。采用支持向量机（Support Vector Machine, SVM）方法研究水质预测问题。对特征属性过多导致SVM的分类精度下降的问题，采用主成分分析算法进行特征降维。针对SVM中的多参数优化问题，采用量子粒子群优化算法对SVM参数（核函数、惩罚因子）进行寻优。提出了一种基于主成分分析和量子粒子群优化的SVM算法。实验结果表明，该方法能够快速提取出最优参数组合，其泛化性能较高。     

基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析( KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法( CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO￣PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。     

基于主成分分析的IPSO-SVM血泵转速预测

针对目前血泵预测方法中,未充分考虑到循环系统的复杂环境的缺点,采用主成分分析(PCA)的改进粒子群算法(IPSO)优化支持向量机(SVM)的方法将循环系统中复杂因素考虑到模型中。对血泵和循环系统进行建模,利用PCA对循环系统影响因素进行降维分析,利用IPSO优化SVM得到模型参数,对血泵转速期望值预测。最终对模型进行性能评估分析。结果表明,该算法在血泵转速预测中具有更好的逼近能力和预测精度,说明了其有效性。     

改进PSO的SVM回归模型及在气温预测中的应用

兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.     

采用改进粒子群优化的SVM方法实现中文文本情感分类

近年来,随着网络用户量的不断增加,用户评论数量也呈爆炸式增长,伴随而来的是大量可用于参考和深度挖掘的信息,文本情感分类应运而生。分类模型的预测精度和执行速度是衡量模型优劣的关键。使用传统的SVM进行文本情感分类,算法简单,易于实现,但其模型参数决定了分类准确率。针对这种情况,文中将改进粒子群优化算法与SVM分类方法相结合,采用了改进粒子群算法优化的SVM方法对影视剧评论的情感进行了研究分析。首先,通过网络爬虫获取豆瓣电影评论数据,将数据预处理后利用加权word2vec向量化文本信息,将其作为支持向量机可识别的输入;然后,使用自适应惯性递减策略并引入交叉算子来改进粒子群算法,并对SVM模型的损失函数、惩罚参数及核函数的参数进行优化;最后,实现文本的情感分类。在同一数据集上的实验结果表明,所提方法有效规避了传统的情感词典方法受词语顺序和不同语境影响的缺陷及使用卷积出现梯度消失或弥散的问题,同时也克服了粒子群算法易陷入局部最优的不足。相较于其他方法,所提分类模型的执行速度更快,有效地提高了分类准确率。     

Modified binary PSO for feature selection using SVM applied to mortality prediction of septic patients

This paper proposes a modified binary particle swarm optimization (MBPSO) method for feature selection with the simultaneous optimization of SVM kernel parameter setting, applied to mortality prediction in septic patients. An enhanced version of binary particle swarm optimization, designed to cope with premature convergence of the BPSO algorithm is proposed. MBPSO control the swarm variability using the velocity and the similarity between best swarm solutions. This paper uses support vector machines in a wrapper approach, where the kernel parameters are optimized at the same time. The approach is applied to predict the outcome (survived or deceased) of patients with septic shock. Further, MBPSO is tested in several benchmark datasets and is compared with other PSO based algorithms and genetic algorithms (GA). The experimental results showed that the proposed approach can correctly select the discriminating input features and also achieve high classification accuracy, specially when compared to other PSO based algorithms. When compared to GA, MBPSO is similar in terms of accuracy, but the subset solutions have less selected features.     

基于神经网络的粒子群算法优化SVM参数问题

对支持向量机的核参数选取到目前仍没有形成一套成熟的理论,严重影响了其广泛的应用。对核参数的选取做了一定的探讨。将神经网络与粒子群优化算法相结合并用于支持向量机核函数的参数优化。该方法能够同时具有神经网络较强的非线性拟合能力和粒子群优化算法的寻优能力。数值实验结果表明该算法对支持向量机核参数的优化是可行的、有效的,并且具有较高的分类准确率和较好的推广性能。     

基于粒子群优化的KPCA暂态稳定评估模型的特征提取

提出一种核主成分分析法(KPCA),用于电力系统暂态稳定评估(TSA)模型中的输入向量特征提取,并利用粒子群优化算法(PSO)对核函数参数进行优化设置.以EPRI36系统为例,对基于支持向量机(SVM)分类的暂态稳定评估模型进行仿真,结果表明该方法不仅得到了良好的预测精度,而且大大降低了输入空间的维数.     

基于IWOASVM的煤矿突水预测模型

针对传统煤矿突水预测算法易陷入局部最优、预测结果准确率低及速度慢等问题,提出了一种基于改进鲸鱼优化算法(IWOA)-支持向量机(SVM)的煤矿突水预测模型。IWOA从鲸鱼种群初始化、调节因子非线性化及随机差分进化(DE)3个方面入手对鲸鱼优化算法(WOA)进行改进:使用Tent映射初始化鲸鱼种群,提高鲸鱼种群寻找到最优猎物的可能性;通过调节因子非线性变化策略,提升算法在迭代前期的全局搜索能力及迭代后期的局部搜索能力,从而加快收敛速度;引入DE算法的变异、交叉、选择操作,以增强WOA的全局搜索能力。利用IWOA对SVM模型进行参数优化,将影响煤矿突水的水压、隔水层厚度、煤层倾角、断层落差、断层与工作层距离、采高共6个影响因素作为模型的输入特征向量,突水与安全2种突水结果作为模型的输出向量,以突水预测结果与实际结果间的误差最小化为目标建立目标函数,得到基于IWOA-SVM的煤矿突水预测模型。实验结果表明:与粒子群优化算法、DE算法、WOA相比,IWOA的预测准确率最高,标准误差最小,且收敛速度快,鲁棒性好;IWOA-SVM的突水预测准确率达到100%,与传统的突水系数法、SVM、WOA-SVM相比,IWOA-SVM表现出更高的准确率和稳定性。     

基于支持向量机的雷达信号特征的辨识研究

雷达信号处理是现代雷达系统的核心内容之一,其直接影响着雷达系统的适用范围和工作性能等。而对雷达信号的有效识别是对未知雷达信号进行预判的重要组成部分。基于支持向量机(SVM)对四种不同的雷达信号智能辨识,选取径向基核函数(RBF)作为支持向量的非线性映射函数,经过理论推导得出惩罚因子c和核函数参数g是影响其分类性能的重要因素。利用粒子群(PSO)优化SVM的两个重要参数。结果表明,在没有进行参数优化的SVM的分类性能极其不稳定,识别准确率在79.6992%~90.2256%之间,而经过PSO优化的SVM分类准确率高达100%,有效证明了优化方法的有效性,实现了基于PSO优化的SVM雷达信号的准确识别。