共查询到20条相似文献,搜索用时 171 毫秒
1.
2.
3.
为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型(PSO-LSSVM).首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型.仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律. 相似文献
4.
嵇可可 《计算机应用与软件》2014,(10)
针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。 相似文献
5.
基于APSO—LSSVM的软测量建模研究 总被引:3,自引:0,他引:3
针对最小二乘支持向量机在生化过程建模中的重要建模参数值选择问题,提出利用具有较强的全局搜索能力的自适应粒子群(APSO)优化算法,对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数。利用参数优化调整后得到的具有较优拟和预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明该方法能使模型取得较好的预测效果。 相似文献
6.
7.
8.
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。 相似文献
9.
提出一种基于改进粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)的MEMS陀螺随机漂移的预测模型建立方法。该方法首先应用最小二乘支持向量机对MEMS陀螺随机漂移建立预测模型,然后应用改进粒子群算法对该模型进行优化,最后应用参数优化后的LSSVM预测模型对随机漂移进行预测。该方法不仅解决了支持向量机训练速度慢和所需计算资源多的问题,而且文中提出的改进的惯性权值递减策略使PSO算法在全局或局部搜索能力上的侧重具有更好的适应度。实验结果表明,该预测模型可以有效地进行陀螺随机漂移的预测,且预测效果优于基本PSO优化的最小二乘支持向量机。 相似文献
10.
11.
针对支持向量机(SVM)分类模型参数选取困难的问题,提出基于遗传免疫的改进粒子群优化算法,克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合,建立基于遗传免疫粒子群和支持向量机的诊断模型,并用于轴承故障诊断中。结果表明,基于遗传免疫粒子群算法优化的SVM可实现对SVM分类模型参数的自动优化,并能提高SVM分类模型的故障诊断精度,对分散程度较大、聚类性较差的故障样本分类有较强的适用性。 相似文献
12.
为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。 相似文献
13.
针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型(GCS.SVM)。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。 相似文献
14.
针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题,提出基于改进鲸鱼算法优化的支持向量机(IWOA-SVM)的外骨骼机器人步态检测算法,即在鲸鱼优化算法(WOA)中引入遗传算法(GA)的选择、交叉、变异操作,进而去优化支持向量机(SVM)的惩罚因子与核参数,再使用参数优化后的SVM建立分类模型,从而扩大算法的搜索范围,减小算法陷入局部最优的概率。首先,使用混合传感技术采集步态数据,即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据,并作为步态检测系统的输入;然后,使用门限法对步态相位进行划分并标记标签;最后,将足底压力信号与髋关节、膝关节角度信号融合作为输入,使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验,并与GA、粒子群优化(PSO)算法、WOA进行比较,数值实验表明,改进鲸鱼优化算法(IWOA)的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现,准确率可达98.8%,验证了所提算法在新一代外骨骼机器人中的可行性和实用性,并与基于遗传优化算法的支持向量机(GA-SVM)、基于粒子群优化算法的支持向量机(PSO-SVM)、基于鲸鱼优化算法的支持向量机(WOA-SVM)算法进行比较,结果表明,该算法识别准确率分别提高了5.33%、2.70%、1.44%,能够对外骨骼机器人的步态进行有效检测,进而实现外骨骼机器人的精确控制及稳定行走。 相似文献
15.
16.
模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型(ET-SVM)。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。 相似文献
17.
由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均(ARIMA)和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。 相似文献
18.
19.
在工业控制系统(工控)与互联网技术深度融合的背景下,有效检测系统是否受到入侵威胁成为保障工控安全的关键.根据工控网络数据高维性和非线性的特点,应用Fisher分值和核主成分分析法对网络数据进行预处理,针对支持向量机参数寻优过程中标准粒子群优化算法易陷入局部最优的问题,提出基于自适应变异的粒子群优化算法SVPSO,进而构建系统入侵检测模型.在标准数据集上的仿真结果表明,与BP神经网络、K最近邻、随机森林和朴素贝叶斯算法相比,基于SVPSO算法构建的检测模型性能较优,检测精度达到98.75%,而误报率仅为1.22%. 相似文献
20.
提出基于粒子群优化(PSO)与独立分量分析(ICA)的表情特征提取方法。首先利用ICA算法对表情图像数据建立基本的独立基向量求解框架;为了减少计算复杂度,然后利用PSO算法对处理后的表情图像数据搜索最优的解集合;最后利用支持向量机(SVM)作为算法验证的分类器。实验结果表明该算法在保证较高表情识别率的基础上加快了表情图像特征提取的速度。 相似文献