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。     

基于双谱和支持向量机的小麦碰撞声分类研究

为实现小麦颗粒的自动分类,采用双谱和支持向量机相结合方法对小麦完好粒、虫蛀粒和霉变粒的碰撞声进行分类识别。对碰撞声信号进行双谱估计,提取信号双谱峰值和对角切片谱两部分特征,用支持向量机分类器进行分类,对完好粒、虫蛀粒和霉变粒3种小麦颗粒识别正确率均达84%以上。实验结果表明,该研究具有较强的实际应用价值,为小麦颗粒的分类提供了新的方法和依据。     

融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

基于人工蜂群优化高斯过程的运动想象脑电信号分类

针对传统的高斯过程采用共轭梯度法确定超参数时对初值有较强依赖性且易陷入局部最优的问题,提出了一种基于人工蜂群优化的高斯过程分类方法,用于脑电信号的模式识别.首先,构建高斯过程模型,选择合适的核函数且确定待优化的参数.然后,选取识别错误率的倒数为适应度函数,使用人工蜂群算法搜索寻找出限定范围内可以取得最优准确率的超参数.最后,采用参数优化后的高斯过程分类器对样本分类.分别采用2008年竞赛数据集BCI Competition Ⅳ Data Set 1和2005年数据集BCI Competition Ⅲ Data Set Ⅳa对所提方法进行验证,并与支持向量机(SVM)、人工蜂群优化的支持向量机(ABC-SVM)、高斯过程分类(GPC)方法进行比较,实验结果表明了所提方法的有效性.     

改进蚁群算法在SVM参数优化研究中的应用

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。     

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。     

人工蜂群算法优化SVR的预测模型

针对人工蜂群算法存在的易陷入局部最优、收敛速度慢的缺点,引入当前最优食物源和惯性权重函数,对该算法的食物源更新方式进行改进;针对支持向量回归机的参数优化问题,将其转化为组合优化问题,并使用改进的人工蜂群算法进行优化求解,进而得到人工蜂群算法优化SVR的预测模型。以短期交通流量数据为例,将该模型的预测结果与蚁群算法优化的支持向量回归机（ACO-SVR）、粒子群算法优化的支持向量回归机（PSO-SVR）和未改进的蜂群算法优化的支持向量回归机（ABC-SVR）进行对比分析,结果表明该模型的预测效果最优且运行时间最短,具有更好的学习能力和推广能力。     

基于混沌更新策略的蜂群算法在SVM参数优化中的应用

针对支持向量机的参数寻优缺乏数学理论指导,传统人工蜂群算法易陷入长期停滞的不足,而混沌搜索算法具有很好的随机性和遍历性,提出了基于混沌更新策略人工蜂群支持向量机参数选择模型(IABC-SVM)。该模型利用混沌搜索对侦察蜂搜索方式进行改进,有效提高蜂群算法搜索效率。以UCI标准数据库中的数据进行数值实验,采用ACO-SVM、PSO-SVM、ABC-SVM作为对比模型,实验表明了IABC在SVM参数优化中的可行性和有效性,具有较高的预测准确率和较好的算法稳定性。     

改进的人工蜂群优化支持向量机算法在入侵检测中的应用

针对基于传统的参数优化算法在优化过程中会不同程度地陷入局部最优解的问题,在人工蜂群ABC(Artificial Bee Colony)算法的基础上提出基于交叉突变人工蜂群CMABC(Crossover Mutation ABC)算法的支持向量机SVM参数优化方法,并将其应用于入侵检测。通过引入交叉突变算子对人工蜂群算法进行改进,根据适应度值的优劣将蜂群进行划分,有效地避免了陷入局部最优,提高了收敛速度。利用标准测试函数验证了算法的有效性,并采用NSL-KDD入侵检测数据集进行仿真实验,验证了该方法的有效性。实验结果表明,该方法能有效提高入侵检测的分类性能。     

改进人工鱼群算法在SVM参数优化中的应用

支持向量机的参数优化一直是一个重要的研究方向。参数的好坏很大程度上决定了支持向量机的分类精度和泛化能力。针对人工鱼群算法优化支持向量机参数时,容易在后期徘徊于最优解附近、难以逼近的问题,提出了人工鱼群加速算法,使用速度参数代替人工鱼步长,从而求得最优目标并得到SVM的最优参数组合。仿真实验结果表明：该算法收敛速度快,求解数值精度高,对初值的依赖程度低,在SVM参数优化中具有更好的性能、更高的分类准确率,是一个极其有效的参数优化方法。     

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.     

基于最优ABC-SVM算法的P2P流量识别

目前对等网络（Peer-to-Peer,P2P）流量的识别是网络管理研究的热门话题。基于支持向量机（Support Vector Machine , SVM）的P2P流量识别方法是常用的P2P流量识别方法之一。然而SVM的性能主要受参数和其使用特征的影响,而传统的方法则是将SVM的参数优化和特征选择问题分开处理,因此这样很难获得整体性能最优的SVM分类器。本论文提出了一种基于最优人工蜂群算法和支持向量机相结合的P2P流量识别方法,利用人工蜂群算法,将SVM的参数和特征选择问题视为最优化问题同步处理,可以获得整体性能最优的参数和特征子集。在真实的P2P数据上的实验结果表明提出的方法具有很好的自适应性和分类精度,能够同时获取特征子集和SVM参数的最优解,提高SVM分类器的整体性能。     

人工蜂群算法在带约束圆形布局问题中的应用

人工蜂群算法是一种基于蜜蜂采蜜机制的新型演化算法。给出了带平衡约束的圆形布局问题的数学模型,介绍了人工蜂群算法的基本过程以及计算流程,将人工蜂群算法应用于带平衡约束的圆形布局优化中。通过两个实例进行仿真计算,并将计算结果与文献结果比较,验证了人工蜂群算法是解决此类问题的一种有效且实用的群智能算法。     

基于ABC-SVM的考生行为自动识别

针对支持向量机在考生行为自动识别中的参数优化问题,提出了一种人工蜂群算法优化支持向量机的考生行为自动识别方法。首先将支持向量机参数编码成为人工蜂群的蜜源,以考生行为识别正确率作为搜索目标,然后通过人工蜂群之间的信息交流和共享找到支持向量机的最优参数,并建立最优考生行为识别模型,最后采用仿真实验测试已建立考生行为识别模型的性能。实验结果表明,本文方法不仅提高了考生行为识别的正确率,而且加快了考生行为识别的速度,可以很好的满足考生行为自动识别实时性要求。     

基于混沌灰狼优化算法的SVM分类器研究

支持向量机(SVM)是在分类问题下建立的一个运算小型数据集,可实现非线性高纬度分类,有很好的扩展能力。但是,在传统SVM的训练过程中,SVM运算结果的好坏与参数选择关系密切,而且目前使用的参数选择算法有很多缺陷。因此,针对上述问题,在灰狼算法（GWO）中加入混沌序列,改变狼群初始分布规律,构建混沌灰狼优化算法(CGWO),增强狼群分布均匀性以及狼群查找遍历性,极大提高GWO算法的运算速度和运算准确性,最终更好地优化SVM。使用Mirjalili提供的开源数据与原有数据混合作为向量机的测试集进行实验对比分析,实验结果表明,CGWO算法具有明显的性能提高;用混沌灰狼算法优化的 SVM和灰狼优化算法SVM、人工蜂群SVM、万有引力搜索SVM以及传统算法优化的 SVM相比,其运算准确率更高、误差更低、花费时间更少。     

改进AFSA算法优化TWSVM的火焰识别方法

为了快速有效地识别火灾火焰图像,提出了一种基于改进人工鱼群算法（IAFSA）的孪生支持向量机（TWSVM）的火焰识别方法。该方法根据RGB-YCbCr混合颜色空间模型中火焰像素的分布特点对火焰图像进行分割,并在此基础上提取火焰图像的相关特征;采用人工鱼群算法（AFSA）搜索TWSVM最优惩罚参数与核参数,并在AFSA算法中利用基于聚类的鱼群初始化方法来获得均匀的初始鱼群,同时采取自适应参数来调整人工鱼群的视觉范围和移动步长,另外在原有的三种行为的基础上提出了两种新的行为：跳跃行为和淘汰重生行为,提高了鱼群算法的寻优效率和求解精度;将提取的火焰各个特征量作为训练样本输入TWSVM模型进行训练;将待测试样本输入TWSVM模型进行分类识别。实验结果表明：相对于深度卷积神经网络VGGNet模型、Fast R-CNN算法、YOLO算法、传统支持向量机（SVM）、Grid-TWSVM、GA-TWSVM、PSO-TWSVM、FOA-TWSVM、GSO-TWSVM、AFSA-TWSVM,所提出的基于改进人工鱼群算法的孪生支持向量机的方法有效地提高了火焰识别准确率和实时性,解决了TWSVM在火焰识别时参数选择困难、常用参数寻优算法寻优时间长等问题。