采用遗传算法优化最小二乘支持向量机参数的方法

支持向量机是建立在统计学习理论上的一种学习算法,较好地解决了小样本学习问题.由不同的参数和核函数构造的支持向量机在性能上存在很大差异,而在参数和核函数的选择上目前还没有明确的理论依据.针对支持向量机的参数选择问题,提出了一种采用遗传算法优化最小二乘支持向量机参数的方法.结合LS-SVMlab工具箱,在MATLAB实验平台的仿真实验表明,该方法提高了支持向量机的参数选择效率,得到的参数对测试样本的分类结果是最优的,从而避免了人为设定参数的不足,同时缩短了优化时间.     

基于均匀设计的支持向量机参数优化方法

在实际应用中,支持向量机的性能依赖于参数的选择。针对支持向量机的参数选择问题进行了研究和分析,提出了基于均匀设计的支持向量机参数优化方法。与基于网格搜索、粒子群算法、遗传算法等支持向量机参数优化方法进行了比较与分析,采用多个不同规模的标准的分类数据集进行测试,比较了四种方法的分类正确率和运行时间。仿真实验表明,四种方法都能找到最优参数,使支持向量机的分类正确率接近或超过分类数据集的理论精度,本文方法具有寻参时间短的特点。     

基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

支持向量机应用于大气污染物时间序列预测

阐述了支持向量机应用于大气污染物时间序列预测的具体方法,建立了大气污染物时间序列的支持向量机预测模型.该方法将支持向量杌应用于大气污染物浓度预测:首先通过选择合适的信息量准则来确定模型阶数:而后通过实验的方法选择参数从而形成支持向量机的训练样本集,在此基础上建立了基于支持向量机的时间序列大气污染预测模型.实例表明,无论是在仿真过程还是在预测过程,支持向量机都具有很高的预测精度.因此.采用支持向量机方法对大气污染物时间序列进行预测分析是可行的.     

基于遗传算法的回归型支持向量机参数选择法

研究了遗传算法在回归型支持向量机参数选择中的应用：首先,分析了支持向量机的几个参数对其预报能力的影响,发现参数选取不当,会导致支持向量机出现过学习或欠学习现象;在此基础上提出利用遗传算法来解决回归型支持向量机的参数选择问题,模拟实验证明,该方法克服了传统参数选择方法存在的缺点,提高了支持向量机的预报精度。     

基于LS-SVM算法的混沌时序递推预测

研究利用最小二乘支持向量机（LS-SVM）预测变参数混沌时间序列。支持向量机方法是基于结构风险最小化原理导出的,最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的支持向量机,保留支持向量机优点的同时计算量大大减少。变参数混沌时间序列预测是典型的小样本学习问题,由于参数的慢变导致系统的动力学特性不断发生变化,全局建模预测方法很难适用,必须在线实时预测。为了快速跟踪预测变参数混沌系统的时间序列,研究了利用一种简化的最小二乘支持向量机在线递推算法进行预测。最后对典型变参数混沌时间序列的预测实验结果表明了该方法的有效性。     

混沌粒子群算法对支持向量机模型参数的优化

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.     

基于带特征染色体遗传算法的支持向量机特征选择和参数优化

鉴于支持向量机特征选择和参数优化对其分类准确率有重大的影响,将支持向量机渐近性能融入遗传算法并生成特征染色体,从而将遗传算法的搜索导向超参数空间中的最佳化误差直线.在此基础上,提出一种新的基十带特征染色体遗传算法的方法,同时进行支持向量机特征选择和参数优化.在与网格搜索、不带特征染色体遗传算法和其他方法的比较中,所提出的方法具有较高的准确率、更小的特征子集和更少的处理时间.     

基于改进遗传算法的SVM参数优化研究

针对传统遗传算法的支持向量机参数选择方法易陷入局部极小点,导致过拟合或欠学习的问题,从而提出一种基于改进遗传算法的支持向量机参数选择方法,该方法在遗传算法初始化群体阶段采用加权深度优先搜索机制,克服了遗传算法局部搜索能力差的缺点,对支持向量机的径向基核参数进行优化,找出了具有较强推广能力的径向基核参数。将该算法用于3个基准数据集的仿真实验,结果表明该方法在保证分类精度前提下,大幅度缩短了训练建模时间,提高了运行效率。     

脱机手写体汉字识别中SVM参数优选问题

研究了基于支持向量机的脱机手写体汉字识别中核参数和误差惩罚因子的选择问题.将遗传算法跟支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,减少了以往应用支持向量机需反复试验以确定其参数的人工工作量.采用高斯核函数的支持向量机分类器进行实验,识别率达到97.83%,验证了该方法的有效性.     

滚动轴承技术故障诊断的支持向量机方法研究

针对当前故障诊断中几种常用方法的不足,首次提出将支持向量机方法应用于滚动轴承技术故障诊断。该文提出的两种算法其核心均是利用支持向量机方法对样本进行分类。支持向量机方法基于小学习样本条件下,通过寻求结构风险最小,以期获得良好的分类效果和泛化能力。两种实验结果表明,在选用合适核函数及参数条件下,支持向量机具有学习速度快、诊断正确率高的优良性能,这一结论表明了该文所提出方法的优越性。     

Fault diagnosis of power transformer based on support vector machine with genetic algorithm

Diagnosis of potential faults concealed inside power transformers is the key of ensuring stable electrical power supply to consumers. Support vector machine (SVM) is a new machine learning method based on the statistical learning theory, which is a powerful tool for solving the problem with small sampling, nonlinearity and high dimension. The selection of SVM parameters has an important influence on the classification accuracy of SVM. However, it is very difficult to select appropriate SVM parameters. In this study, support vector machine with genetic algorithm (SVMG) is applied to fault diagnosis of a power transformer, in which genetic algorithm (GA) is used to select appropriate free parameters of SVM. The experimental data from several electric power companies in China are used to illustrate the performance of the proposed SVMG model. The experimental results indicate that the SVMG method can achieve higher diagnostic accuracy than IEC three ratios, normal SVM classifier and artificial neural network.     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

基于模拟退火支持向量机的入侵检测系统

为了提高入侵检测系统在小样本集条件下的检测效率,将支持向量机用于网络入侵检测.支持向量机的参数决定了检测效率,然而难以选择合适的参数值,因此提出利用模拟退火算法来优化这些参数,并设计出基于参数优化的支持向量机用于入侵检测.通过对样本数据集中的样本进行实验性检测,并与原始支持向量机入侵检测系统进行比较,结果表明模拟退火支持向量机入侵检测系统检测率高、误报率低,并且缩短了训练时间和检测时间.     

人工鱼群算法在SVM参数优化选择中的应用

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。     

基于GA的遥感图像目标SVM自动识别

为了高效合理地确定支持矢量机(SVM)的参数,使其对复杂的二值遥感图像目标进行自动识别,采用实值编码遗传算法来实现SVM模型参数的自动选择.与穷举搜索的留一法及随机试凑法相比,采用遗传算法的SVM模型参数选择更简单、更易于实现,并使SVM具有更好的推广能力.二值遥感图像目标的分类识别结果表明,该方法不但可以提高分类识别率,而且显著地缩短了SVM的训练时间.     

改进SVM分类算法中多重共线性问题研究

提出了一种可以解决SVM分类算法中的多重共线性问题的因子分析方法。因子分析的核心是用较少的互相独立的因子反映原有变量的绝大部分信息,它既能大大减少参与数据建模的变量个数,简化支持向量机结构,减少支持向量机分类过程中的复杂度和运算量,同时不会改变样本的分布特性,保持样本的分类信息。实验结果表明,通过因子分析对样本数据的处理,使用3个因子代替7个原始变量,原始变量间的多重共线性问题得到了很好的解决。     

融合渐近性的灰狼优化支持向量机模型

大数据的发展对数据分类领域的分类准确性有了更高的要求;支持向量机(Support Vector Machine,SVM)的广泛应用需要一种高效的方法来构造一个分类能力强的SVM分类器;SVM的核函数参数与惩罚因子以及特征子集对预测模型的复杂度和预测精度有着重要影响。为提高SVM的分类性能,文中将SVM的渐近性融合到灰狼优化(Grey Wolf Optimization,GWO)算法中,提出了新的SVM分类器模型,该模型对SVM的参数与数据的特征子集同时进行优化,融合SVM渐近性的新灰狼个体将灰狼优化算法的搜索空间导向超参数空间中的最佳区域,能够更快地获得最优解;此外,将获得的分类准确率、所选特征个数和支持向量个数相结合,提出了一种新的适应度函数,新的适应度函数与融合渐近性的灰狼优化算法将搜索引向最优解。采用UCI中的多个经典数据集对所提模型进行验证,将其与网格搜素算法、未融合渐近性的灰狼优化算法以及其他文献中的方法进行对比,其分类准确率在不同数据集上均有不同程度的提升。实验结果表明,所提算法能找到SVM的最优参数与最小特征子集,具有更高的分类准确率和更短的平均处理时间。