基于差分进化算法的支持向量机参数选择

支持向量机参数是影响其性能的重要因素,为了进一步提高支持向量机分类精度和泛化能力,提出了基于差分进化算法的SVM参数选择。以样本误判率最小为优化准则,利用差分进化算法对SVM参数进行优化选择。实验结果表明,利用差分进化算法选择SVM参数,加快了参数搜索的速度,提高了SVM分类精度,该方法具有良好的鲁棒性和较强的全局寻优能力。     

基于人工免疫的支持向量机模型选择算法

支持向量机中参数设置对训练支持向量机分类的精确度有不可忽视的影响。支持向量机参数的选取可看作参数的组合优化。免疫算法是一种有效的随机全局优化技术,它具有不易陷入局部最优解、解精度高、收敛速度快等优点。该文利用人工免疫算法进行支持向量机模型选择。该算法主要包括克隆选择、高频变异、受体编辑等操作。试验证明,该算法能够有效提高支持向量机分类的正确性。     

基于遗传算法与粒子群算法的支持向量机参数选择

支持向量机(SVM)参数的选择是评价SVM性能的一个很重要的因素。SVM在解决小样本、非线性等问题中起到的效果是很好的。但是,该方法的缺点是在解决大样本数据集时消耗时间长,且易陷入局部最优解。为了降低SVM在这方面的不足,本文提出了遗传算法和粒子群算法相结合(PSOGA)对参数进行优化求解,并将该算法建立的模型应用到实验中。仿真结果说明该方法避免了陷入局部解,提高了收敛速度并缩短了优化时间,是一个很有效的方法。     

基于自适应增强算法的支持向量机组合模型

为了提高软测量模型的泛化能力,提出一种基于AdaBoosting算法的组合支持向量机(SVM)模型.该方法在贝叶斯分析的基础上,利用样本概率初始化惩罚系数,依据回归过程中的损失函数更新惩罚系数权重,使得SVM训练模型有强、弱之分,突出一些重要样本的作用,以提高模型的估计精度和泛化能力.仿真结果表明,依据该方法建立的组合模型明显改善了软测量模型的估计能力和泛化能力.     

基于蚁群算法的支持向量机参数选择方法研究

研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低.为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法.蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组...     

基于差分进化算法的支持向量回归机参数优化

支持向量机是结构风险最小化原理的一种新型学习技术,被广泛应用到很多工业控制领域中,良好的泛化能力和预测精度在很大程度上受到参数选取的影响.传统参数选择方法易陷入局部最优,为提高优化识别参数的精度和效率,提出基于差分进化算法的支持向量回归机参数优化算法.以均方误差最小为优化准则,差分进化算法的全局寻优能力,搜索支持向量回归机的最优参数组合,达到对参数的最优选择.通过Matlab进行仿真实验,结果表明改进的算法不仅加快参数搜索和优化的速度,而且选择的最优参数能大大提高支持向量机预测精度和泛化能力,并具有良好的鲁棒性和较强的全局寻优能力.     

基于蚁群算法的支持向量机参数选择方法研究

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力。对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法（ACA）来搜索最优目标函数值。ACA是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制。仿真表明,ACA是选取SVM参数的有效方法,应用到函数逼近时有优良的性能。     

基于正则化路径的支持向量机近似模型选择

模型选择问题是支持向量机的基本问题.基于核矩阵近似计算和正则化路径,提出一个新的支持向量机模型选择方法.首先,发展初步的近似模型选择理论,包括给出核矩阵近似算法KMA-α,证明KMA-α的近似误差界定理,进而得到支持向量机的模型近似误差界.然后,提出近似模型选择算法AMSRP.该算法应用KMA-α计算的核矩阵的低秩近似来提高支持向量机求解的效率,同时应用正则化路径算法来提高惩罚因子C参数调节的效率.最后,通过标准数据集上的对比实验,验证了AMSRP的可行性和计算效率.实验结果显示,AMSRP可在保证测试集准确率的前提下,显著地提高支持向量机模型选择的效率.理论分析与实验结果表明,AMSRP是一合理、高效的模型选择算法.     

基于核路径算法的支持向量回归机参数选择

参数选择是支持向量机研究领域的重要问题.针对核参数的选择,提出一种基于二分法的核参数解路径算法.由于解为核参数的非线性光滑函数,该算法随着参数的更新,可以在已有参数得出的解的基础上通过更新公式进行推导计算,从而求得当前参数所对应的解,其目标函数的极值所对应的参数值即为最优参数解.该算法可以快速地求得最优参数.将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该算法的可行性和有效性.     

支持向量机最优模型选择的研究

通过对核矩阵的研究,利用核矩阵的对称正定性,采用核校准的方法提出了一种SVM最优模型选择的算法——OMSA算法．利用训练样本不通过SVM标准训练和测试过程而寻求最优的核参数和相应的最优学习模型,弥补了传统SVM在模型选择上经验性强和计算量大的不足．采用该算法在UCI标准数据集和FERET标准人脸库上进行了实验,结果表明,通过该算法找到的核参数以及相应的核矩阵是最优的,得到的SVM分类器的错误率最小．该算法为SVM最优模型选择提供了一种可行的方法,同时对其他基于核的学习方法也具有一定的参考价值．     

基于特征选择的网络入侵检测模型

研究网络安全问题,网络入侵手段多样,特征多,存在大量不利的冗余特征,传统网络入侵检测不考虑特征冗余,检测效率和正确论低。为更一步提高了网络安全,提出一种特征选择的网络入侵检测模模型。采用粒子群算法对网络系统状态特征和支持向量机参数进行同步选择,找到最优网络入侵检测模型特征和模型参数,降低了模型的输入样本维数。仿真结果表明,改进算法可降低特征维数,消除了不利于提高检测结果的冗余特征,并提高了网络入侵检测正确率,适合于小样本、实时要求高的网络入侵检测。     

基于遗传算法的支撑向量机的特征选取

提出了一种支撑向量机（SVM）的特征提取方法,该方法使得所提取的特征向量能最小化SVM推广性的界,同时设计了一种有效的遗传算法来实现该方法。模拟数据和心电信号等识别问题的实验结果验证了该方法的有效性。     

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SVM的管理人员选拔的决策模型

介绍了支持向量机的基本思想,研究了它在决策模型中的应用。分析了UK心理测验的特点,从机器学习的角度、利用支持向量机理论、采用SMO训练方法建立了基于UK心理测验的管理人员选拔的决策模型。实验表明该模型是合理的,并且该预测模型可以和其他方法结合进行有效的管理人才选拔。     

基于螺旋模型的仿人机器人步态参数优化算法

步行运动是仿人机器人运动控制的关键环节之一.为了实现快速、稳定的步态,在协方差矩阵自适应进化策略(CMA-ES)的基础上,文中提出仿人机器人螺旋模型算法.在步行优化过程中,将优化任务先划分为3个子任务,按照优化目标分别挑选参数加入相应优化组,同时构建CMA-ES优化器.根据不同的学习目标设计每个CMA-ES优化器,在前一优化组优化结果基础上结合新的需求进行螺旋迭代优化,最终达到既定的学习目标,获得最佳参数值.文中算法应用在HfutEngine仿真3D球队中,机器人的相关步态测试数据显示算法效果较佳.     

改进的支持向量机特征选择算法

针对采用支持向量机进行分类的特征子集选择问题,提出一种改进的基于梯度向量的特征评测算法。该算法在核特征空间中,利用数据点到分类超平面的距离函数的梯度向量对各个特征的重要性进行排序,省去了已有算法中计算梯度向量与各个坐标轴夹角的过程,实验结果表明,该算法简化了已有的基于角度的特征选择方法,并且结果保持一致。     

基于SVM的多Agent信息融合算法

支持向量机(SVM)是一种基于结构风险最小化原理、具有很高泛化性能的学习算法,为小样本、非线性、高维数一类信息融合问题的建模提供了一种有效的途径.本文将Mobile Agent运用到信息融合系统中,对信息融合系统中原有OODA模型进行改进,提出了一种基于SVM的Mobile Agent信息融合模型及算法.相关实验表明,本文中的训练算法可达到更为满意的分类效果,并且可以得到较高的分类精度.     

一种手写相似汉字特征选择方法的研究

在采用支持向量机分类器识别的基础上,提出了一种基于遗传算法进行手写体相似汉字特征选择的方法,解决了相似字中部分空间的自动确定问题。采用弹性网格与小波变换相结合的方法提取相似汉字的特征。实验结果验证了基于交叉验证的特征选择方法的泛化性能好于基于简单验证的方法的结论。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。