首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 578 毫秒

1.  基于蚁群算法的支持向量机参数选择方法研究  被引次数:3
   齐亮《系统仿真技术》,2008年第4卷第1期
   支持向量机(SVM)的参数取值决定了其学习性能和泛化能力。对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法(ACA)来搜索最优目标函数值。ACA是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制。仿真表明,ACA是选取SVM参数的有效方法,应用到函数逼近时有优良的性能。    

2.  基于蚁群算法的支持向量机参数选择方法研究  被引次数:2
   庄严  白振林  许云峰《计算机仿真》,2011年第28卷第5期
   研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低.为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法.蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法来搜索最优目标函数值.然后将方法与GA的SVM模型选择方法进行了比较.实验表明采用蚁群算法具有一定的优势,能在较短的时间内寻找到最优解,证明已改进的方法得到了最精确参数优化结果.    

3.  基于SVM的生物电阻抗人体内脏脂肪测量研究  被引次数:1
   刘伟  王建平  张崇巍《电子测量与仪器学报》,2011年第25卷第7期
   应用支持向量机(SVM)对生物电阻抗测定人体内脏脂肪过程进行测量建模,解决信号复杂,受影响因素多,难以建立精确预测模型问题。为提高预测精度,引入人体腹部形状作为测量人体内脏脂肪的相关特征参数,将SVM参数的选择和输入变量的选取看作组合优化问题,通过AIC信息准则构造组合目标优化函数,采用粒子群算法进行目标函数搜索,提高了搜索效率。通过仿真研究表明,所提基于SVM的生物电阻抗人体内脏脂肪含量测量方法具有良好的性能。    

4.  一种支持向量机参数选择的改进分布估计算法  被引次数:2
   王雪松 程玉虎 郝名林《山东大学学报(工学版)》,2009年第39卷第3期
   支持向量机(support vector machine,SVM)的学习性能和泛化能力在很大程度上取决于参数的合理设置. 将支持向量机的参数选择问题转化为优化问题,以模型预测均方根误差为评价函数,提出一种引入混沌变异操作的改进分布估计算法(estimation of distributionalgorithm,EDA),并将其用于优化求解ε-支持向量机的参数:惩罚因子、不敏感损失系数以及高斯径向基核函数的宽度. 由于改进EDA利用混沌运动的随机性和遍历性等特点在解空间内进行优化搜索,能够较好解决传统EDA易于陷入局部极小的缺陷. Chebyshev混沌时间序列预测仿真结果表明:改进EDA是选取SVM参数的有效方法.    

5.  基于SVM的微生物发酵过程软测量建模研究  被引次数:4
   刘国海  周大为  徐海霞  梅从立《仪器仪表学报》,2009年第30卷第6期
   微生物发酵过程中支持向量机(SVM)软测量模型的预测精度主要取决于SVM参数和输入变量优化选择.提出了一种新的SVM参数选择与输入变量选取方法,将SVM参数的选择和输入变量的选取看作组合优化问题,构造了基于赤池信息准则(AIC)的组合优化目标函数.为提高优化效率,采用遗传模拟退火算法(GSAA)来搜索最优的目标函数值.通过与网格算法、遗传算法等方法对比仿真研究表明,所提SVM微生物发酵过程软测量建模方法在微生物发酵过程的软测量建模中具有优良的性能.    

6.  改进蚁群算法在SVM参数优化研究中的应用  
   高雷阜  张秀丽  王飞《计算机工程与应用》,2015年第13期
   支持向量机参数的选择决定着支持向量机的分类精度和泛化能力,而其参数优化缺乏理论指导,在此背景下提出了ACO-SVM模型。该模型将SVM分类预测准确率作为目标函数,对蚁群算法进行改进,引入有向搜索和基于时变函数更新的信息素更新原则,利用蚁群算法的并行性、正反馈机制和较强的鲁棒性,以求得最优目标并得到SVM的最优参数组合。数值实验结果表明,改进蚁群算法在SVM参数优化选取中具有更好的寻优性能,具有较高的分类准确率;该方法具有较好的并行性和较强的全局寻优能力。    

7.  基于SA组合算法的SVM参数选取  
   何明辉  李胜  李平  聂景旭《计算机工程与应用》,2010年第46卷第22期
   针对传统方法的不足,提出将一种模拟退火组合算法用于支持向量机的参数选择,将优化指标设定为最大化SVM的泛化能力,并据此确立适当的目标函数;同时借鉴交叉检验的思想,建立以训练集和测试集中的数据分别选择模型和搜索最优参数组合的研究手段。最后,在仿真实验的基础上同基于遗传算法和精化网格法的选取方法进行了对比分析,结果表明该组合算法具有更好的全局搜索性能和收敛速度,是SVM参数选取的一种有效方法,具有较强的实用价值。    

8.  短期负荷预测中SVM参数选取的混沌优化方法  被引次数:1
   霍明  罗滇生  何井龙《电力系统及其自动化学报》,2009年第21卷第5期
   支持向量机已成功地应用于短期负荷预测领域,但其学习和泛化能力取决于参数的有效选取.为进一步提高预测精度,针对目前支持向量机参数选取方法的人为盲目性等缺点,在分析各个参数对其预测性能的影响的基础上,将混沌优化技术应用于参数的选取过程.对组合优化问题建立目标函数,采用一种改进的变尺度混沌优化算法来搜索全局最优值,从而得到最优的参数组合.通过湖南某地区电网日负荷预测的仿真结果表明,该方法与常规方法相比,显著地降低了模型的建模误差和预测误差,具有更好的性能.    

9.  用混沌理论优化SVM核参数的研究  
   张新明  孙印杰《电脑开发与应用》,2006年第19卷第7期
   混沌优化算法是一种有效的全局优化算法,其计算复杂度较低,搜索速度快。支持向量机是近年来新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优点。但支持向量机的识别性能对于参数的选择是敏感的,提出用混沌优化算法来优化支持向量机的参数,不仅提高了支持向量机的性能,而且解决了传统的选取参数方法计算量大、参数多时难以奏效的问题。仿真结果表明性能较好、计算量较少。    

10.  深度优先搜索的支持向量机参数优化算法  
   李立红  许元飞《计算机仿真》,2011年第28卷第7期
   研究支持向量机参数优化问题,由于算法要求准确选择SVM参数,支持向量机在处理大样本数据集时和最优模型参数确定时,消耗的时间长、占有内存大,易获得局部最优解的难题.为了解决支持向量机存在的不足,采用深度优先搜索算法对其参数优化机机制进行改进.将向量机参数优化视成一个组合优化问题,将支持向量机模型的分类误差作为优化目标函数,采用深度优先算法对其进行求解,最后将模型应用于3个标准分类数据集.仿真结果表明,优化参数后的支持向量机加快模型的训练速度度,提高了分类的准确率,很好的解决了支持向量机参数优化难题.    

11.  基于离散微粒群优化算法的SVM参数选择  
   马驰  阮秋琦《微机发展》,2007年第17卷第12期
   支持向量机(SVM)的学习性能和泛化能力主要取决于参数选择,然而传统的优化算法难以解决此问题。文中通过支持向量的个数建立优化目标函数,采用微粒群优化(PSO)算法对其优化,寻找最优参数。PSO是一种新兴的基于群体智慧的进化算法。实验表明,微粒群优化算法是支持向量机参数选择的有效方法。    

12.  基于离散微粒群优化算法的SVM参数选择  
   马驰  阮秋琦《计算机技术与发展》,2007年第17卷第12期
   支持向量机(SVM)的学习性能和泛化能力主要取决于参数选择,然而传统的优化算法难以解决此问题。文中通过支持向量的个数建立优化目标函数,采用微粒群优化(PSO)算法对其优化,寻找最优参数。PSO是一种新兴的基于群体智慧的进化算法。实验表明,微粒群优化算法是支持向量机参数选择的有效方法。    

13.  基于捕食搜索策略遗传算法的SVM参数优化方法  被引次数:1
   王萍萍  毛志亮  陈进东  潘丰《计算机应用》,2011年第31卷第2期
   基于支持向量机(SVM)模型的泛化能力和拟合精度与其相关参数的选取有关,提出将捕食搜索策略的遗传算法(PSGA)运用到SVM的参数选取中。该算法以最小化输出量的拟合误差为目标,以SVM的3个参数作为决策变量。通过对谷氨酸发酵过程建模的实验表明,该方法可以提高谷氨酸浓度的训练精度及预测精度,是一种优化SVM参数的有效方法。    

14.  支持向量机的参数优化及其文本分类中的应用  
   丁勇  秦晓明  何寒晖《计算机仿真》,2010年第27卷第11期
   支持向量机的优化算法对准确检索所需信息资料很重要.传统支持向量机参数寻优方法速度慢、运算量大,具有一定的盲目性.针对准确快速检索到所需信息,为提高支持向量机算法的性能,提出了一种采用免疫算法对支持向量机参数进行优化的文本分类方法(IA-SVM).将支持向量机模型参数作为抗体的基因设计了抗体的编码方案,利用人工免疫算法对支持向量机的惩罚因子和径向基核函数进行优化搜索,使支持向量机的分类性能最优.实验结果表明,IA-SVM算法减少了对支持向量机参数选择的盲目性,在文本分类问题上明显提高了分类正确率和检索速度.    

15.  基于微分进化算法的SVM参数选择  被引次数:2
   林连雷  姜守达  刘晓东《哈尔滨工程大学学报》,2009年第30卷第2期
   支持向量机(support vector machines, SVM)的性能在很大程度上取决于参数的设置, 所以参数选择问题一直是SVM理论和应用研究中的重点问题.SVM的参数选择本质上是一个优化搜索过程, 并且这个优化问题往往是多峰的.微分进化算法(differential evolution, DE)是一种实数编码的基于种群进化的优化算法, 具有强劲的全局搜索能力, 在多峰函数的寻优问题上已表现出优异的性能.为此, 将DE算法用于SVM参数选择, 提出了基于DE算法的SVM参数选择方法(DE-SVM).在标准数据集上的几个仿真实验证明了该方法的有效性.与基于微粒群算法(partical swarm algorithm, PSO)的参数选择方法相比, DE-SVM在复杂问题或多参数的寻优问题上具有更快的寻优速度.    

16.  混沌粒子群算法对支持向量机模型参数的优化  被引次数:1
   朱凤明  樊明龙《计算机仿真》,2010年第27卷第11期
   研究支持向量机模型优化问题,支持向量机的参数选择决定了其学习性能和泛化能力,由于在参数的选择范围内可选择的数量很多,在多个参数中进和盲目搜索最优参数是需要极大的时间代价,并且很难得到最优参数.常用的支持向量机优化方法有遗传算法、粒子群算法都存在易陷入局部极值,优化效果较差.为解决支持向量机参数寻优问题,提出一种基于混沌粒子群的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,从而提高种群的多样性和粒子搜索的遍历性,从而有效地提高了PSO算法的收敛速度和精度,得了优化支持向量机模型.并以信用卡案例数据作为研究对象进行了仿真,实验结果表明,混沌粒子群优化的SVM分类器比传统算法优化的SVM分类器的精度高和更高的效率,应用效果好.    

17.  人工鱼群算法在SVM参数优化选择中的应用  
   高雷阜  赵世杰  高晶《计算机工程与应用》,2013年第23期
   针对支持向量机的参数优化缺乏理论支持,而SVM交叉检验法选取又较为费时的情况下,提出了基于人工鱼群算法的支持向量机参数优化选取算法,并以SVM分类预测准确率最大为优化原则,利用人工鱼群算法的较好并行性和较强的全局寻优能力,以实现最优目标并得到SVM的最优参数组合。数值实验结果表明:人工鱼群算法在SVM参数优化选取中具有更快的寻优性能,同时具有较高的分类准确率。该方法具有较好的并行性和较强的全局寻优能力。    

18.  基于多蚁群算法的支持向量回归机参数选择方法  
   陈宝文  谭旭《计算机工程与科学》,2012年第34卷第9期
   核函数是支持向量回归机的重要部分,每种核函数都有其优势和不足。本文基于支持向量机回归机模型相关参数的选取原则,给出了一种具有混合核函数的支持向量机,以基于网格搜索的多蚁群算法为基础,给出了此类混合核函数支持向量回归机参数优化的一种新方法。该方法以最小化交叉验证误差为目标,对包括混合比例和各类核函数的参数在内的5个参数进行优化。仿真结果表明,与遗传算法相比,本方法在参数优化方面有良好的性能,建立的预测模型精度较高。    

19.  基于改进萤火虫算法的 SVM 核参数选取  
   杨海  丁毅  沈海斌《计算机应用与软件》,2015年第6期
   支持向量机(SVM)是一种性能优异的机器学习算法,其核函数参数的选取对于建模精度以及泛化能力有着重要的影响。提出一种基于改进萤火虫算法的 SVM核函数参数选取方法,通过改进萤火虫位置更新公式并在移动过程中引入亮度特征从而确定最佳的 SVM核函数参数。实验表明,该算法选取的 SVM核函数参数在保证分类器收敛性能的同时,提高了分类精度,取得了良好的优化效果。    

20.  基于CPSO-LSSVM的陀螺仪故障趋势预测  
   高云红  李一波《四川大学学报(工程科学版)》,2010年第42卷第2期
   为了提高最小二乘支持向量机(LSSVM)的学习性能和泛化能力,提出了混沌粒子群优化(CPSO)算法和交叉验证(CV)算法相结合的LSSVM参数寻优方法.CPSO算法将混沌搜索引入到粒子群算法中产生初始混沌粒子,并在粒子运动中不断加入混沌扰动,实现LSSVM参数的自动选取.利用交叉验证误差构造粒子的适应度函数,为参数选择提供评价标准.陀螺仪随机漂移是影响陀螺仪性能可靠性的主要因素,将经过参数寻优的LSSVM用于建立陀螺仪随机漂移的时间序列预测模型,预测值与实际值相差较小,可为陀螺仪的故障趋势预测提供依据.实验结果表明CPSO算法是选取LSSVM参数的有效方法,所建的回归模型具有较高的预测精度.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号