基于改进的蛙跳算法与支持向量机的实用语音情感识别

支持向量机是一种基于统计学习理论的新型机器学习算法,在高维特征空间中寻找最优分类超平面,具有很好的分类精度和泛化性能。支持向量机的训练需要求解一个带约束的二次规划问题,针对数据规模很大情况下经典训练方法变得很困难的缺点,提出一种基于改进混合蛙跳算法的支持向量机分类器参数优化方法,既提高了混合蛙跳算法的收敛速度和精度,又能借助混合蛙跳算法的全局随机搜索能力,为支持向量机参数的优化选择提供一条有效途径。本文提取情感语句的韵律特征、音质特征和混沌特征参数,提出一种基于改进蛙跳算法的数据融合方法,并利用基于改进蛙跳算法的支持向量机进行实用语音情感的识别研究。在实验中比较了PCA方法、BP神经网络和数据融合方法用于语音情感识别的识别率,研究结果表明本文所提的各项改进机制能有效提升情感识别率,为实用语音情感的识别提供一种新方法和新思路。      

􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺􀆺 基于ABC算法优化支持向量机的温度测点恢复方法研究

为了改善当前参数优化算法易陷入局部最优的问题,研究一种基于人工蜂群算法优化SVR的温度测点恢复方法。以机器空转温度测点为对象,根据支持向量机的实现原理建立支持向量回归机模型,引入人工蜂群算法对SVR模型的参数惩罚因子和核函数进行优化,并用优化后的算法对缺失的温度测点进行恢复,经人工蜂群优化后的模型(ABC-SVR)的平均相对误差为6.57％,优于其他优化算法,因而是一种实用可行的优化算法。     

基于改进支持向量机的推荐系统托攻击检测方法

使用具有较好泛化能力的支持向量机算法建立推荐系统托攻击检测模型,由于在传统支持向量机算法中,用来控制错误识别样本惩罚度的惩罚因子的具体参数以及不敏感损失参数的具体参数由使用者决策,并在较大程度上决定支持向量机的性能。标准PSO算法的收敛性能基本取决于学习算子和惯性系数等重要参数的选取。标准PSO算法前期收敛速度很快,后期则比较缓慢,粒子群趋同性造成算法后期容易陷入局部最小值,即进入早熟。因此,使用混沌优化算法与PSO算法共同完成对传统支持向量机算法的优化。最后使用Movie Lense100K数据集进行实例分析,从检测结果对比可以看出,填充率越高,检测准确率越高,研究的改进支持向量机具有最优的检测性能,能够帮助推荐系统防范托攻击,以得到较精准的用户评分数据。     

一种信息系统安全的自适应监测与评估方法

针对网络入侵的特征,提出一种基于SVM支持向量机的入侵危险识别模型。利用支持向量机SVM模型,混合人工蜂群HABC优化的方式,克服算法中存在早熟收敛和局部极小的问题。通过该模型实现对网络入侵信息系统自适应识别出攻击效果,有效得到网络入侵的信息系统风险评估。验证结果表明,HABC优化的SVM模型比传统危险入侵识别模型的准确度更高,收敛速度快,泛化能力增强,说明了该方法的可行性、有效性。     

混沌优化的仓储害虫声音信号识别研究

为了提高仓储物害虫声音信号的自动识别率,寻找支持向量机模型参数C和核宽度参数σ的最优组合,提出了基于混沌优化的支持向量机模型参数自动选择算法.基于径向基核函数(Radial Basis Function,RBF)的支持向量机模型参数C和核宽度参数σ对其泛化能力有很大的影响,首先产生Logistic映射和圆映射的混沌混沌数值序列,而后以通过载波形式将混沌变量的值域"放大"至参数(C,σ)的取值空间,寻找优化变量(C,σ)的最优组合.与网格法的比较实验结果表明,该方法不但可以提高分类识别率,而且显著减少了支持向量机的训练个数,并使支持向量机具有更好的推广能力.     

基于PCA和非线性SVC的小数据人脸识别

为了提高小数据集下人脸识别的准确率,提出基于主成分分析(PCA)算法和非线性支持向量机算法的算法分类器。同时为了进一步优化该算法分类器,提出利用网格搜索法改进非线性支持向量机SVC算法。改进后的SVC算法能自主寻找最优参数,使得整个学习分类器处于性能最优状态。经实验证明组合PCA和改进后的SVC学习分类器不但有效提高了人脸识别的准确率,并且节省人工选取特征的时间成本。     

人工蜂群优化支持向量机算法在网络安全中的应用

针对支持向量机(SVM)性能的影响,探讨了人工蜂群算法(ABC)对SVM参数优化方法,建立了SVM参数优化模型,并将其用于网络安全中的网络入侵模型中.采用KDD 1999数据集进行仿真实验,验证了方法的有效性,结果表明,与遗传算法等传统优化算法相比,ABC优化的SVM有效地降低运行时间,可以获得更高的网络入侵检测率.     

一种针对约束问题改进的人工蜂群算法

人工蜂群算法是基于自然界蜂群行为的一种算法,该算法已被广泛应用在不同的约束类问题,它能有效解决0-1背包等约束问题。文中提出了基于可行规则和多目标优化问题的改进人工蜂群算法。针对人工蜂群算法存在收敛速度低的缺点,提出一种针对约束问题改进的人工蜂群算法,通过改变一些参数提高算法的收敛速度。对著名的13个约束问题进行试验验证,实验表明改进的人工蜂群算法的最优解和平均解都优于原始的人工蜂群算法。     

一种基于ABC的量子神经网络训练算法

传统的量子神经网络的训练方法容易使得算法陷入局部极小值,将Artificial Bee Colony(ABC)算法引入到原训练算法中,并且对人工蜂群算法进行改进.利用改进后的人工蜂群算法来优化传统量子神经网络,使优化后的量子神经网络具有结构简单、参数少、收敛速度快和可跳出局部极小值等优点.实验结果表明,相比原训练算法该优化算法提高了量子神经网络收敛解的精度.     

基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究

终点碳含量是决定钢质量的关键因素,是转炉炼钢过程中需要控制的核心变量之一.本文建立了一种基于莱维飞行的鲸鱼优化算法（Levy Whale Optimization Algorithm,LWOA）和最小二乘向量机（Least Squares Support Vector Machine,LSSVM）的钢水终点碳含量综合预测模型.通过莱维飞行代替了传统鲸鱼优化算法（Whale Optimization Algorithm,WOA）参数的随机选择,优化了鲸鱼算法中跳出局部最优的能力;借助改变鲸鱼算法的系数向量收敛方式明显提高了鲸鱼优化算法的泛化能力、预测精度和收敛速度.数据仿真结果表明,所提出的LWOA-LSSVM预测模型,不仅能够克服局部寻优获取全局最优解,而且具有快速的收敛速度和更高的预测精度,得出预测结果的均方根误差、平均绝对误差和平均绝对百分比误差与遗传算法BP神经网络、遗传算法最小二乘支持向量机和传统鲸鱼算法最小二乘支持向量机相比均有着明显提高.同时,通过调整目标命中率和训练输入样本量验证了预测模型具有更好的鲁棒性.     

基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

改进人工蜂群算法在数字图像相关中的应用

针对人工蜂群算法存在的收敛速度较慢,易陷入局部最优解的问题,提出一种改进的人工蜂群优化算法,并应用于数字图像相关的整像素位移搜索中。该算法借助相关度值的变化来动态调整跟随蜂的搜索步长,平衡其全局和局部的搜索能力;侦察蜂利用遗传算法的交叉运算产生新解,改善全局搜索能力。实验结果表明,改进的算法能有效地提高收敛速度,改善整像素位移搜索的性能。     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

融合改进人工蜂群和K均值聚类的图像分割

针对人工蜂群优化的K均值算法易陷入局部最优、搜索精度不够、分割图像不够细致等问题,本文融合自适应人工蜂群和K均值聚类,提出了一种新的图像分割算法。算法首先利用距离最大最小乘积对种群进行初始化;其次采用自适应搜索参数动态调整邻域搜索范围,使人工蜂群算法快速收敛于全局最优;然后将人工蜂群输出的所有蜜源进行K均值聚类,克服K均值聚类结果对初始聚类中心的依赖,再将聚类划分结果进行Powell局部搜索,加快算法收敛的速度,将得到的新聚类中心更新蜂群中蜜源位置。最后,将本文算法与其他两种同类分割算法进行试验对比。实验结果表明:与其他两种算法相比,本文提出的分割算法在保证运行时间的前提下,分割准确率比其他两种算法分别至少提高了3.5%和4.8%,表现出了较高的分割质量。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

基于改进人工蜂群算法的认知抗干扰智能决策技术研究

在认知抗干扰系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。人工蜂群算法（Artificial Bee Colony,ABC）相较于其他群体智能算法全局寻优速度更快,设置参数少、灵活,易与其他技术结合改进原算法,实用性更广泛,但ABC算法同样有其局限性,如局部搜索能力较弱、后期收敛速度慢等。针对复杂干扰环境下对离散参数的决策,本文设计了一种基于改进人工蜂群算法的认知抗干扰智能决策引擎,分析了引擎模型,根据系统效能设计了目标函数和染色体,阐述了决策实现步骤,优化了决策参数,提出了按基因组搜索的改进算法;通过对系统抗干扰性能的仿真,验证了与未采用智能决策的抗干扰系统相比,采用本文提出的智能决策引擎的认知抗干扰系统在干扰环境中不仅具有强抗干扰性能,而且在保证通信传输可靠性的前提下,具有较低的发射功率和高传输效率,与采用传统人工蜂群算法和遗传算法的决策引擎相比,基于改进人工蜂群算法的决策引擎平均收敛代数更少且最优解概率更高。      

基于人工蜂群算法的基站天线方位角与下倾角自优化方法

针对3GPP中提出的SON(self-organizing network,自组织网络)覆盖自优化问题,提出一种基于人工蜂群算法的基站天线方位角与下倾角同时优化方法。首先,基站根据用户设备上报的MR(measurement report,测量报告)数据确定待优化区域,并建立以基站天线对待优化区域的平均增益为目标函数的优化模型;其次,利用人工蜂群算法求解该目标函数,并得到基站天线方位角与下倾角的最优解;最后,将基站天线方位角与下倾角调整至最佳值,实现基站根据用户设备位置的覆盖自优化。通过系统建模、仿真与外场实验,以用户设备接收的RSRP(reference signal receiving power,参考信号接收功率)为指标,利用人工蜂群算法的计算方法较未优化的初始参数提升6.81 dB,较依靠人工经验的判别方法提升4.35 dB。实验结果证明,提出的自优化方法可根据用户位置分布精准及时地对基站天线方位角与下倾角进行调整,提升用户对信号强度的感知。     

基于逻辑运算的离散人工蜂群算法

针对当前离散人工蜂群算法冗余度高、探索性能差、容易陷入早熟等问题,提出一种基于逻辑运算的离散人工蜂群算法.通过引入一系列的逻辑运算,一方面解决了当前离散人工蜂群算法中存在的解不更新问题,提高了算法的搜索效率;另一方面,很好地保证了搜索过程的中间解和最终解都封闭在原离散封闭集内,有效地避开了实数集与离散集间的映射问题.基于逻辑运算的离散人工蜂群算法计算简单、易于硬件实现,在基于图论着色理论的频谱分配模型上进行验证,取得了明显优于离散人工蜂群算法的收敛速度和优化性能.     

蜂群优化神经网络的频谱感知

由于神经网络训练收敛速度慢、易陷入局部最优解,而最优解对神经网络的频谱感知算法性能影响大,因此为提高神经网络的频谱感知算法性能,采用蜂群算法交叉训练神经网络,加快训练收敛速度,降低均方误差。采用信号的能量、循环功率谱作为特征参数,提出了蜂群优化神经网络的频谱感知算法。仿真结果表明,在给定迭代次数下,相比能量法、循环平稳特征法、无蜂群算法交叉训练神经网络或RBF神经网络的频谱感知算法,本文算法具有更好的感知性能。      

基于蜜源优化策略的频率分配方法

为解决频率分配问题,提出了一种基于蜜源优化的频率分配方法.首先提出了评估干扰程度的计算方法,对传统人工蜂群算法的引领蜂搜索行为进行改进,并重新设计跟随蜂搜索行为,增加选择性变异操作,以达到增加蜜源多样性以及降低陷入局部最优解可能性的目的.仿真结果表明,所提算法在搜索效率和稳定性上具有明显优势,能够在有效时间内找到满足频率距离约束的频率分配方案.