PSO优选参数的SVR水质评价方法

为进一步提高多光谱图像水质反演的评价精度,提出了一种基于PSO优选参数的SVR水质评价方法。该模型利用高分辨率多光谱遥感SPOT-5 数据和水质实地监测数据,用粒子群优化算法对支持向量回归的参数进行了优化。首先,分析和筛选渭河陕西段水质实地监测数据,得到符合条件且具有代表性的四类水质变量。接着,使用五种大气校正方法对遥感影像进行大气辐射校正。然后,对各水质变量与遥感数据波段进行相关性分析和水质反演。最后,运用该模型以渭河水质监测数据为例进行了水质评价。实验结果表明,该方法可以较好地实现水质综合评价,能从整体上准确、客观地反映河流水质情况,为内陆河流环境评价提供了一种新方法。     

基于GA-LSSVR的渭河水质参数遥感反演研究

针对渭河水质参数遥感反演这一典型的非线性、小样本回归估计问题,引入最小二乘支持向量回归（LSSVR）方法来解决,它将SVR中的二次规划问题转化为线性方程组求解,在保证精度的同时极大地降低了计算复杂性,加快了求解速度;针对其参数难以选择的问题,利用遗传算法(GA)来优选模型参数。采用提出的方法对标准数据集进行了实验,并建模对渭河的4种水质参数CODmn(高锰酸盐指数)、NH₃-N(氨氮)、 DO(溶解氧)、COD(化学需氧量)进行了遥感反演,结果表明GA-LSSVR模型可用于解决复杂的回归问题并具有较好的预测性能。     

基于改进PSO优化SVR的交通事故预测模型

为了有效预测交通事故,提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索,结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点,提高了支持向量回归机相关参数的优化精度,进而改善了交通事故预测模型的预测性能。仿真结果表明,基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度,具有良好的工程应用性。      

渭河水质遥感反演的人工神经网络模型研究

以渭河陕西段水域为研究对象,在获取了实地监测数据和SPOT5遥感影像的基础上,对遥感数据进行预处理,建立了BP神经网络水质反演模型和RBF神经网络水质反演模型.并对水质参数CODcr、NH3-N、DO、CODmn进行反演.研究结果表明,利用神经网络模型反演水质参数是可行的,由于是非线性模型,其反演结果明显好于线性回归模型的结果.     

集成建模变量优选和参数学习的SVR盐渍化监测

当前基于机器学习算法反演土壤盐分含量(Soil Salt Content,SSC)较少关注模型参数和建模变量的优选.基于Sentinel-1 SAR、Landsat 8 OLI、DEM数据提取8类共40个环境变量,经Pearson相关分析初步筛选出候选特征变量,分别带入格网搜索(Grid Search,GS)算法、遗传...     

渭河水质遥感反演的人工神经网络模型研究

以渭河陕西段水域为研究对象,在获取了实地监测数据和SPOT5遥感影像的基础上,对遥感数据进行预处理,建立了BP神经网络水质反演模型和RBF神经网络水质反演模型。并对水质参数CODcr、NH3-N、DO、CODmn进行反演。研究结果表明,利用神经网络模型反演水质参数是可行的,由于是非线性模型,其反演结果明显好于线性回归模型的结果。     

基于KFCM-MultiSwarmPSO的SVR参数寻优策略

针对目前支持向量回归机模型（SVR）参数寻优的各类基本方法,从提高计算效率及降低早熟收敛概率角度,从粒子群算法出发,提出一种新型的基于核模糊聚类（KFCM）算法参数自学习方法：多种群粒子群算法（MultiSwarmPSO）来对支持向量回归机的参数寻优策略进行改进。在改进策略中,融入k折交叉验证（k-CV）法并提出用幂函数作为粒子群算法动态学习因子的方法来提高算法性能。针对5个不同特点的数据集,用提出的改进粒子群算法与网格算法（Grid Algorithm）、标准粒子群算法（PSO）、标准遗传算法（GA）、人工蜂群算法（ABC）4种智能参数自学习算法进行对比,实验结果表明,改进算法在参数寻优的时间效率及拟合准确度方面相对传统方法有一定的提高,可以求解出更符合需求的参数组。     

基于群智能算法的SVR参数优化研究进展

支持向量回归机(Support Vector Regression,SVR)是建立在统计学习理论上的一种机器学习方法,主要用来处理回归问题.选取到合适的参数是实现支持向量回归机算法优势的前提,但在实践中仍然存在模型参数选择困难的问题.群智能算法主要是模仿自然界生物种群社会行为规律的元启发式算法,具有简单性、自适应性、灵...     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

基于PSO的LS-SVM特征选择与参数优化算法

针对最小二乘支持向量机特征选择及参数优化问题,提出了一种基于PSO的LS-SVM特征选择与参数同步优化算法。首先产生若干种群（特征子集）,然后用PSO算法对特征及参数进行优化。在UCI标准数据集上进行的仿真实验表明,该算法可有效地找出合适的特征子集及LS-SVM参数,且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。     

基于粒子群算法优化支持向量回归的水质预测模型

溶解氧是反映水污染程度的一个重要指标,准确的预测可以高效合理地判断水质环境的状况。由于水质环境的实时变化和复杂性以及收集数据的偏差,在水生系统中获得高效、精确的预测模型是困难的。因此,首先利用主成分分析（PCA）确定影响水质溶解氧的变量数目,降低数据维数,为解决变量间的非线性和非平稳性问题,提出用互信息（MI）选取影响...     

Particle Swarm Optimization Based Support Vector Regression for Blind Image Restoration

This paper presents a swarm intelligence based parameter optimization of the support vector machine (SVM) for blind image restoration. In this work, SVM is used to solve a regression problem. Support vector regression (SVR) has been utilized to obtain a true mapping of images from the observed noisy blurred images. The parameters of SVR are optimized through particle swarm optimization (PSO) technique. The restoration error function has been utilized as the fitness function for PSO. The suggested scheme tries to adapt the SVM parameters depending on the type of blur and noise strength and the experimental results validate its effectiveness. The results show that the parameter optimization of the SVR model gives better performance than conventional SVR model as well as other competent schemes for blind image restoration.     

基于粒子群优化支持向量机的煤矿水位预测模型

支持向量机算法(SVM)具有可靠的全局最优性和良好的泛化能力,适用于有限样本的学习,而该算法的成功与否很大程度上取决于其参数的选择,而常规经验选取方法往往不能获得满意效果。利用粒子群算法(PSO)随机搜索策略对支持向量机参数进行优选,建立基于粒子群算法参数优化的支持向量机模型(PSO-SVM)。仿真结果表明,该优化模型比传统的人工神经网络(BP)模拟效果要好,在拟合精度方面有很大的提高,且具有较好的泛化能力。     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法。采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛。充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析。分析结果表明,该预测模型可将预测的均方根误差降低约40%,绝对值误差降低约42%,相对误差降低约46%,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果。     

一种基于支持向量数据域描述的改进微粒群算法

分析标准微粒群算法的性能,通过引入支持向量数据域描述方法,提出一种改进微粒群算法,保证进化过程的多样性,增强了算法的全局寻优能力.仿真结果表明,改进的算法得到了较好的效果.     

基于改进PSO的SVM文本分类研究

提出基于改进PSO优化支持向量机的文本分类方法,首先采用向量空间模型对文本特征进行提取,使用互信息对文本特征进行降维,然后提出改进PSO算法,该算法可实现对SVM参数的精确、稳定、快速优化选择,对支持向量机进行训练,使用训练后的分类器对新的文本进行分类,实验结果表明该方法具有良好的分类性能。     

基于PSO与LS-SVM的作物需水量预测

为了提高作物需水量预测精度,提出基于粒子群优化算法(PSO)优化最小二乘支持向量机(LS-SVM)的预测模型。该模型以空气湿度、温度、太阳辐射以及风速为输入,利用多项式核函数和径向基核函数的非负线性组合构造核函数,将粒子群优化算法(PSO)与交叉验证方法用于确定模型参数。实验结果表明与神经网络和随机森林相比,PSO优化的LS-SVM可获得更好的预测精度和泛化能力,可用于节水灌溉,具有较高的应用价值。     

改进的P SO-SVM在表面肌电信号模式识别中的研究

为了提高表面肌电信号的遥操作机械手运动模式识别率,设优化支持向量机(IPSO-SVM).该方法首先简化PSO的位置和速度公式,然后提出ESE状态估计策略判断算法的"早熟"收敛,最后对6类手臂运动模式(握拳、展拳、内旋、外旋、屈腕、伸腕)进行分类并与另外4个测试算法的分类结果进行比较.实验结果表明:IPSO-SVM算法的平均准确率为93.75%,而传统SVM算法的平均准确率为70.21%;算法的训练时间和泛化时间都有明显的提高;具有较强的鲁棒性和抗干扰能力.因此IPSO-SVM算法可以很好的解决表面肌电信号的动作模式分类问题,具有很好的应用价值.     

基于粒子群优化算法的支持向量机参数选择

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果,并且目前参数优化缺乏理论指导,提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明,相对于标准粒子群算法,本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力,具有更高的分类精确度和效率.     

基于PSO的SVM的煤岩声发射源定位研究

为了准确的预测采空区煤矿煤岩破裂与失稳前岩石所释放出来的声发射信息的位置,并且根据山西焦煤的官地矿16403工作面获得的声发射事件的数据,因为该数据是一个非线性、高维的问题,提出了用PSO和SVM算法相结合的方法在煤矿煤岩声发射定位中的应用进行了研究。以往的方法只是单纯的收集煤岩或岩石声发射信息,以至于定位会出现失准、精度低和误差大的缺点。文章提出了“1+1=1”的定位方法,既收集同一位置的岩石和煤岩体的声发射信号,分析处理后,得到其位置。在煤岩失稳前两者都会发出强烈的信号。仿真结果表明：应用PSO和SVM理论结合的方法进行煤矿煤岩声发射定位的预测,在提高准确性和精确度的同时,也大大的提高了泛化的能力,该方法也大大减小定位失准的误差。