基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。     

高斯核支持向量机分类和模型参数选择研究

支持向量机(SupportVectorMachine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中。论文研究了高斯核支持向量机分类在IRIS分类问题上的应用,并结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度σ对SVM性能的影响,最后通过数值实验进一步分析了这种影响。     

基于QPSO训练的SVM核函数集成学习研究

针对训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于量子微粒群的支持向量机（QPSO-SVM）核函数集成学习算法。该方法首先采用K-Means算法对训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并通过基于量子行为的粒子群算法来训练单个支持向量机（SVM）,最后通过贝叶斯投票方法得到集成的SVM分类学习器。实验表明该方法在非线性高复杂度的数据分类中对分类精度有较大提高。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

支持向量机分类器中几个问题的研究

研究了核参数和误差惩罚参数对支持向量机推广能力的影响方式,指出核参数主要影响数据在特征空间中的分布,误差惩罚参数在特征空间中确定经验风险水平而影响SVM的性能。指出特征空间维数和学习机器复杂度并没有直接关系,讨论了结构风险最小化原则,最后给出了支持向量机和神经网络训练方法的差别和仿真试验结果。     

Sparse random projection-based hyperdisk classifier for bevel gearbox fault diagnosis

The fault diagnosis of bevel gearbox is of great significance. At present, the commonly used methods are based on pattern recognition, such as support vector machine, convex hull classifier and hyperdisk classifier. However, the number of elements in the kernel matrix of these kernel function-based classification methods increases squarely with the data size, resulting in intolerable training time. Based on this, a sparse random projection-based hyperdisk classifier model is proposed. The proposed method has the following novelties: First, based on sparse random projection and the geometrical characteristics of the hyperdisk model, a method is designed to efficiently screen out the core samples, and these samples are given different weights in this process. Second, the proposed method introduces slack variables and the dynamic penalty parameter to obtain a hyperdisk model with more reasonable boundary. Last, a strategy is developed to minimize the adverse effects of imbalanced training data. The effectiveness and applicability of the proposed method are verified on bevel gearbox fault data. The experimental results show that compared with other classifiers, the proposed method can greatly reduce the training time while guaranteeing a high classification accuracy. What’s more, it has better performance and efficiency in fault diagnosis with imbalanced training data.     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

Motor Imagery Electroencephalograph Classification Based on Optimized Support Vector Machine by Magnetic Bacteria Optimization Algorithm

In this paper, an optimized support vector machine (SVM) based on a new bio-inspired method called magnetic bacteria optimization algorithm method is proposed to construct a high performance classifier for motor imagery electroencephalograph based brain–computer interface (BCI). Butterworth band-pass filter and artifact removal technique are combined to extract the feature of frequency band of the ERD/ERS. Common spatial pattern is used to extract the feature vector which are put into the classifier later. The optimization mechanism involves kernel parameters setting in the SVM training procedure, which significantly influences the classification accuracy. Our novel approach aims to optimize the penalty factor parameter C and kernel parameter g of the SVM. The experimental results on the BCI Competition IV dataset II-a clearly present the effectiveness of the proposed method outperforming other competing methods in the literature such as genetic algorithm, particle swarm algorithm, artificial bee colony, biogeography based optimization.     

基于模糊核聚类粒化的粒度支持向量机

针对传统的粒度支持向量机（granular support vector machine, GSVM）将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法（fuzzy kernel cluster granular support vector machine, FKC-GSVM）。FKC-GSVM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。     

基于GASA-SVR的矿井瓦斯涌出量预测研究

针对煤矿工作面瓦斯涌出量的多影响因素、非线性、时变性和不确定性等特点,提出了遗传模拟退火算法(GASA)与回归型支持向量机(SVR)的耦合算法(GASA-SVR)用于瓦斯涌出量预测.利用煤层瓦斯含量、深度、厚度、倾角等12个参数作为主要影响因素,经过归一化处理后作为回归型支持向量机训练和测试样本.采用遗传模拟退火算法寻找最优的惩罚参数和核函数参数,同时引入自适应交叉和变异概念,建立瓦斯涌出量的非线性拟合模型,并利用矿井实测历史数据进行试验,结果表明该预测模型比传统的神经网络模型具有更理想的精度和稳定性,可为煤矿瓦斯爆炸的防治提供可靠的理论依据.     

Data-based adaptive online prediction model for plant-wide production indices

A data-based adaptive online prediction model is proposed for plant-wide production indices based on support vector regression, a general method which we customized specifically to model very large data sets that are generated dynamically and periodically. The proposed model can update its parameters online according to the statistical properties of the training samples. Further, in order to improve the prediction precision, each sample is weighted with a dynamic penalty factor that considers the effect of each sample on the prediction model accuracy. Moreover, a customized procedure is introduced to handle large training sets. After having been convincingly evaluated on benchmark data, effectiveness and performance of our approach for plant-wide production indices is demonstrated using industrial data from an operating ore dressing plant over a range of scale in training data set size. The higher accuracy and shorter computation times than existing methods suggest that it may prove advantageous in actual application to dynamic production processes.     

基于粒子群优化的支持向量机在瓦斯浓度预测中的应用研究

为了准确预测煤矿瓦斯浓度,基于从芦岭煤矿KJ98监控系统中提取的生产现场瓦斯浓度时间序列数据,对基于粒子群优化的支持向量机理论在瓦斯浓度短期预测中的应用进行了研究。首先对瓦斯浓度时间序列进行小波软阈值去噪和相空间重构等预处理,然后采用粒子群优化算法对支持向量机的惩罚因子、损失函数、核函数参数进行了优化,并基于最优参数建立了瓦斯浓度预测的支持向量机模型。仿真结果表明,采用粒子群优化的支持向量机理论进行煤矿瓦斯浓度预测,极大地提高了预测的准确性和精确度;误差分析结果表明,该方法预测结果的误差很小,且测试样本越小,误差越小。     

基于混沌粒子群算法和小波SVM的P2P流量识别方法

针对对等网络(Peer-to-Peer,P2P)流量具有的多尺度和突变性等问题,提出了基于小波核函数的支持向量机(Support Vector Machine,SVM)的P2P流量识别算法。进一步,对常用的SVM参数训练方法训练时间过长和易陷入局部极优值等缺陷进行分析,使用混沌粒子群算法对SVM参数进行优化以提高参数训练效率和识别准确率。最后利用真实的校园网网络流量数据对所提方法的有效性进行测试,结果表明,相对于使用传统核函数和参数训练方法的支持向量机P2P流量识别方法,所提方法具有更高的P2P流量识别正确率和计算效率。     

基于支持向量机的水质浊度补偿研究

针对传统浊度传感器的非线性误差,无法满足直接对水中浊度进行精确测量的需求,提出了一种支持向量机的方法补偿其性能。而支持向量机中惩罚系数和核参数决定了其补偿的性能,传统支持向量机寻参方法速度慢、运算量大,具有一定的局限性。针对其参数的选择优化提出了改进的网格搜索法优化支持向量机,即采用改进的网格搜索法来针对水质浊度监测传感器补偿系统的特性来优化选择惩罚系数和核参数。实验结果表明,基于网格搜索法的支持向量机测量精度达到93.0%,其各项测量误差满足实际标准要求。     

密度加权近似支持向量机

标准的近似支持向量机(PSVM)用求解正则化最小二乘问题代替了求解二次规划问题,它可以得到一个解析解,从而减少训练时间。但是标准的PSVM没有考虑数据集中正、负样本的分布情况,对所有的样本都赋予了相同的惩罚因子。而在实际问题中,数据集中样本的分布是不平衡的。针对此问题,在PSVM的基础上提出了一种基于密度加权的近似支持向量机(DPSVM),其先计算样本的密度指标,不同的样例有不同的密度信息,因此对不同的样例给予不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变为一个对角矩阵。在UCI数据集上用这种方法进行了实验,并与SVM和PSVM方法进行了比较,结果表明,DPSVM在正负类样本分布不平衡的数据集上有较好的分类性能。     

改进人工蜂群算法优化支持向量机及应用

针对支持向量机(SVM)的惩罚因子和核函数参数选取难度较大的问题,提出利用改进的人工蜂群算法优化支持向量机相关参数的方法。为了提高ABC算法的寻优能力,在原始ABC算法的搜索公式中引入全局搜索因子。利用UCI数据集对优化后的模型进行验证,证明了其良好的性能。将其应用于船舶压载水系统的故障诊断,实验结果表明,IABC算法能够搜索到更优的支持向量机参数,IABC-SVM模型的分类正确率和寻优能力要优于CV-SVM模型和ABC-SVM模型。     

基于K均值聚类和多核SVM的微钙化簇检测

考虑到乳腺微钙化簇样本分布不平衡以及特征的多样性,提出了基于K均值聚类的多核支持向量机.即首先将训练样本聚合成K类,对每类样本加不同的惩罚因子,以平衡样本分布不平衡.其次针对样本特征多样性,将核函数做组合,得到多核支持向量分类器.使用主动反馈学习的方法来得到稳定的训练样本.实验结果表明,本方法与单核SVM及多核SVM相比,检对率至少可以提高两个百分点.     

基于CPSO的混合核函数SVM参数优化及应用

支持向量机(SVM)建模的拟合精度和泛化能力取决于相关参数的选取,目前SVM中的参数的寻优一般只针对惩罚系数和核参数,而混合核函数的引入,使SVM增加了一个可调参数.针对混合核函数SVM的多参数选择问题,提出利用具有较强全局搜索能力的混沌粒子群(CPSO)优化算法对混合核函数SVM建模过程中的重要参数进行优化调整,每一...     

核空间结合样本中心角度的大规模支持向量机

为了提高支持向量机在大规模数据集处理时的精度,提出了基于核空间和样本中心角度的支持向量机算法.在核特征空间下,求得原训练集的两类中心点和两个中心点的超法平面,并获取原训练集样本到超法平面距离和到两中心点中点的比值,用比值最小的n个样本点替代训练集.给出的数学模型显示,该算法不需要计算核空间,比现有的同类缩减策略保留了更多的支持向量数目.结合实例对算法进行了仿真实验,实验结果表明,与同类算法相比,该算法在基本没有降低训练速度的情况下获得了更准确的训练精度.