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。     

基于捕食搜索策略遗传算法的SVM参数优化方法

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。     

基于遗传算法的SVM参数组合优化

核函数类型、核函数参数及错误惩罚因子是影响SVM学习能力和泛化能力的关键因素.实际应用中选择上述SVM参数组合多依赖经验或人工尝试,通常很难选择到最优参数组合.提出一种基于遗传算法的SVM优化技术,针对优化对象设计二进制编码基因串和相应遗传算子,能够实现同时对上述三个参数组合的优化.在UCI标准数据库上的实验结果说明了提出方法的有效性.     

基于混沌遗传算法的SVM特征和参数优化

为解决支持向量机(SVM)分类器的样本特征选择和参数优化问题,提出一种将特征选择和参数选择进行联合优化的方法。基于变尺度的混沌遗传算法,联合优化染色体编、译码,利用混沌的遍历性产生初始种群,改进遗传算法中的交叉算子,动态缩减寻优区间。将该方法应用于短波通信控制器的诊断分类器中,以实现分类器特征子集选取和参数的联合优化,结果表明该方法具有较强的寻优能力。     

基于改进遗传算法的支持向量机参数优化

支持向量机是一种非常有前景的学习机器,但是,支持向量机参数的选取一直没有一套成熟的理论,这给支持向量机的应用带来了很大的不便.为此,本文提出了基于改进遗传算法的支持向量机的参数优化方法,利用遗传算法的全局搜索能力得到支持向量机的最优参数值.仿真实验结果表明,得到的参数可使支持向量机具有良好的泛化性能,此方法切实有效.     

SVM参数优化方法分析与决策

针对支持向量机应用过程中的参数选择问题,从UCI数据库选择样本集,分别采用传统的网格法、智能优化算法中的粒子群法及遗传算法实现核函数参数寻优过程,将所得最佳参数应用到样本测试中;在深入分析优化过程中各参数关系、参数对支持向量机性能的影响以及传统与智能优化算法的优劣后,得出了核函数优化策略;即先使用智能优化算法初步确定最优解范围,再结合网格法进行高精度寻优;实验数据验证了参数优化策略的有效性,为扩大支持向量机泛化率、提高应用性做了铺垫。     

基于改进遗传算法的支持向量机参数优化方法

针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况,提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合,利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集,并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。     

基于MCS的SVM参数优化研究

由于优化杜鹃算法是利用了鸟类特殊的利维飞行模式的群体智能算法,并且增加了粒子间的信息交流,故将该算法引入支持向量机惩罚系数和核参数的自动寻优中。给出了实现方式,并讨论了概率参数的设置对收敛性的影响。通过与传统的GA/PSO-SVM对比验证,MCS-SVM方法使得分类精确率平均提高2.28%,既能显著提高分类效率,又表现出很好的泛化性能。     

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。     

基于遗传算法的SVM带权特征和模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机(SVM)在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于入侵检测领域可以获得很好的效果.但是在应用中也存在如何对网络数据进行特征编码和选择适当的支持向量机模型参数的问题.在分析了特征编码和模型参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机带权特征和分类器模型参数的自适应优化算法,并在网络入侵检测中成功的运用算法.最后,使用KDD CUP 1999数据进行的仿真实验表明了算法的正确有效性.     

基于粒子群算法的支持向量机的参数优化

支持向量机(Support Vector Machine,SVM)对内部参数有着极高的依赖性,因此参数的好坏直接决定了SVM的分类效果,比如径向基核函数的参数。为了寻找出与分类问题相契合的参数,将样本数据投影到高维度特征空间,从而在特征空间中计算类内平均距离与类外中心距离之差,并将其作为参数评估的适应值;利用粒子群算法的全局寻优能力,在定义域内生成种群以代表不同的参数取值;利用粒子的随机游走来进行最优参数搜索,并将结果代入SVM进行样本训练。将所提算法与网格算法等进行了比较,结果表明所提算法的参数设定更加准确,分类准确率有显著提高,且算法复杂度并没有明显增加。     

基于改进量子粒子群算法的支持向量机参数优化方法

支持向量机参数的选择对建模精度和泛化性能等有着重要的影响,提出量子粒子群优化(QPSO)改进算法优化支持向量机（SVM）参数的方法。该方法首先将混合扰动算子引入QPSO算法中,用于获取平均最优位置,建立一种基于混合扰动算子的QPSO算法改进方法（IQPSO）,然后用IQPSO算法的全局优化能力对支持向量机惩罚系数和核参数进行综合寻优,求取最优化参数组合,从而提高支持向量机的求解速度和解的精确性。利用测试函数和UCI测试数据,对IQPSO-SVM进行仿真测试与分类,实验结果表明,IQPSO能获得很好的优化结果,IQPSO-SVM具有较好的泛化性能。     

基于自适应遗传算法和SVM的特征选择

针对传统风险辨识方法无法实现盾构隧道施工过程中的风险状态实时识别的问题,提出一种自适应遗传算法和支持向量机结合的特征选择方法(AGASVM),筛选出与施工质量风险关系最为密切的关键特征集。实验结果表明,用AGASVM所获得的关键特征集用于施工风险状态实时识别的分类准确率较高。其特征集规模比原始特征集有明显缩减,而且绝大部分关键特征与领域专家的意见是吻合的。     

一种基于遗传算法求解TSP问题的优化算法

旅行商问题是组合优化的一个经典问题,也是评价算法好坏的一个标准,它要求在给定的一张图中寻找一条哈密尔顿回路,使得该回路在所有的回路中长度最短。然而,该问题是一个NP完全问题,其求解时间会随着问题规模的扩大急剧上升。因此,只能希望在允许的时间内寻求问题的一个较优的解来替代。本文借助生物学的相关理论与思想采用遗传算法对该问题进行求解,最后通过对遗传算法的进一步分析,提出了一种可行的改进算法,达到了获得较优解的目的。     

基于个体优化的自适应小生境遗传算法

针对遗传算法在处理复杂多峰函数优化问题时易于早熟和局部搜索能力差等问题,提出一种基于个体优化的自适应小生境遗传算法。在自适应小生境的基础上,利用进化过程中相邻个体的信息产生的试探点标记的算法进化方向,缩短邻域搜索的区间,提高算法的局部搜索能力。对复杂多峰问题进行的优化实验结果证明,该算法能快速可靠地收敛到全局最优解,其收敛速度和解精度均优于简单遗传算法和其他小生境算法。     

基于遗传算法的PID控制器参数优化研究

研究自动控制器参数优化问题,PID参数优化是自动控制领域研究的重要内容,系统参数选择决定控制的稳定性和快速性,也可保证系统的可靠性.传统的PID参数多采用试验加试凑的方式由人工进行优化,往往费时而且难以满足控制的实时要求.为了解决控制参数优化,改善系统性能,提出一种遗传算法的PID参数优化策略.通过建立遗传算法优化的PID控制器参数模型,在控制过程中将PID参数作为遗传算法中的个体,采用控制误差绝对值时间积分函数作为优化目标,动态调整PID的三个控制参数,进行PID控制参数的在线优化,将优化方案应用于农业温室温度控制系统进行了仿真.仿真表明,引入遗传算法的PID控制系统,提高了动态性能,增强系统稳定性和快速性,保证实现了控制效果.     

基于自适应遗传算法的细胞神经网络模板设计

细胞神经网络具有能够高速并行计算,易于硬件实现等特点,使其广泛应用于图像处理边缘提取、字符识别等诸多领域。细胞神经网络要正确实现不同的图像处理功能的关键在于模板参数的设计。提出一种基于自适应遗传算法求解模板参数的方法,一方面,通过对交叉概率和变异概率的改进以及遗传算子的设计,克服了基于简单遗传算法设计模板时算法容易早熟的不足;另一方面,采用准精确惩罚函数来设计适应度函数．降低了算法的运算量,提高了算法的收敛速度。给出了实例仿真结果,表明该方法的有效性。     

基于自适应遗传算法的细胞神经网络模板设计

细胞神经网络具有能够高速并行计算,易于硬件实现等特点,使其广泛应用于图像处理边缘提取、字符识别等诸多领域.细胞神经网络要正确实现不同的图像处理功能的关键在于模板参数的设计.提出一种基于自适应遗传算法求解模板参数的方法,一方面,通过对交叉概率和变异概率的改进以及遗传算子的设计,克服了基于简单遗传算法设计模板时算法容易早熟的不足;另一方面,采用准精确惩罚函数来设计适应度函数,降低了算法的运算量,提高了算法的收敛速度.给出了实例仿真结果,表明该方法的有效性.