基于PSO-LSSVM的网络流量预测模型

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．     

基于粒子群算法的煤气化过程LS_SVM预测模型

针对最小二乘支持向量机参数选择对模型性能的重要影响,并且以往的参数优选方法效果差且耗时长这一问题,提出基于粒子群算法优化最小二乘支持向量机预测模型.该模型用最小二乘支持向量机理论建立,用粒子群算法优化模型参数.论文将此模型用于预测评价固定床煤气化气化效果的三个主要性能指标(气体热值、气化效率、气体产率),通过现场实际数据仿真结果表明,该算法有效地提高了模型预测精度,验证了此模型的可靠性和可用性.     

基于PSO-LSSVM的飞机维修保障费用预测模型

考虑到飞机维修保障费用数据样本容量小和难于预测的特点,提出用最小二乘支持向量机LSSVM(Least squares support vector machine)来预测飞机维修保障费用.采用粒子群算法PSO(Particle Swarm Optimization)优化LSSVM的参数,并同偏最小二乘回归(PLSR)的预测结果进行了比较.结果表明,PSO-LSSVM预测模型可调参数少、速度快,预测精度比PLSR有显著提高.     

基于粒子群优化的最小二乘支持向量机税收预测模型研究

针对税收收入预测存在着非线性、不稳定性和多经济因素影响的复杂性,提出用最小二乘支持向量回归机的方法对广东省从化市的税收收入进行预测,并建立数学模型。由于模型中的参数C和σ²直接影响支持向量机的预测效果,因此巧妙地融合了粒子群优化算法的思想,采用粒子群算法对参数进行寻优来确保预测模型的精确性和稳定性。仿真实验结果表明,相对于各参比模型,用粒子群算法对参数进行寻优的最小二乘支持向量回归机的预测精度有了显著提高,从而说明了该模型的有效性和实用性。     

基于改进PSO算法的LS-SVM油层识别模型

为解决常规油层识别方法因其本身缺陷而无法取得理想效果的缺点,提出一种基于改进PSO算法的LS-SVM油层识别模型,即综合已有改进的PSO模型提出一种新的改进形式,并用此算法迭代求解LS—SVM中出现的矩阵方程,从而避免矩阵求逆,加快LS-SVM算法的训练速度,节省内存,而且求得最优解．实际应用表明,所提出的识别模型优于BP模型和经典SVM模型,识别精度高、收敛速度快、效果显著．     

基于改进PSO算法和LS-SVM的苹果分级检测

为解决苹果分级准确率低和速度慢等缺陷,提出一种基于粒子群优化(PSO)改进算法的最小二乘支持向量机(LS-SVM)苹果分级检测方法,通过对苹果特征的优化选择,从而大规模缩减分类前LS-SVM训练样本数据,提高分类器训练效率。苹果分级实验表明,此方法能从红富士苹果的16个形状特征中提取出5个最优特征,用最优特征分级的正确率达96%以上,效果显著,该方法具有可行性。     

基于改进粒子群算法的最优特征子集研究

特征选择是模式识别系统的难点.针对高维数据对象,先运用改进粒子群优化(PSO)算法快速、有效地从特征样本中提取一组最优特征子集,然后采用最小二乘支持向量机(LSSVM)分类器对最优特征子集进行分类,验证特征选择的好坏.经大量实验验证,在保证分类正确率的前提下,该方法有效提高了特征选择效率.     

基于PSO优化的LSSVM的电力系统电压优化的研究

由于传统的方法在处理电压优化与治理问题时存在较大的局限性。针对地区电力系统电压优化和治理问题进行了研究,建立了以有功网损为目标函数的不等式约束的优化问题,并考虑到电压优化问题的控制变量能够进行种群划分,而粒子群算法(PSO)又能够降低搜索空间的运算复杂度,因此提出了基于粒子群优化最小二乘支持向量机(PSO-LSSVM)来对电力系统电压进行优化。通过实例的结果分析,该方法对电压的合格率有所提高,对电压性能有明显的改善,损耗也下降了,且收敛速度加快,有助于解决地区电力系统电压优化和治理问题。     

基于PSO-LSSVM的城市时用水量预测

为解决传统最小二乘支持向量机(LSSVM)采用交叉验证确定参数耗时较长和粒子群(Particle Swarm Optimization,PSO)优化算法早熟收敛的问题,提出一种基于种群活性PSO算法优化LSSVM参数的方法。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法,然后分析上海市时用水量序列特点及其影响因素,选取影响程度较大的主要因素,将其作为预测模型的输入变量,建立时用水量预测模型;最后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量。实例分析表明,对比文中其他3种模型输入变量组合,选取的预测模型输入变量能够更有效地提高预测精度;与传统LSSVM方法相比,提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快,预测精度更高。     

粒子群和遗传算法优化支持向量机的破产预测

介绍了一种基于粒子群算法和遗传算法优化支持向量机预测破产的方法。这种方法融合了粒子群算法、遗传算法和支持向量机诸多优点,并行地搜寻支持向量机最优的正则化参数和核参数,由此构建优化的预测模型。采用源自UCI机器学习数据库的破产和非破产混合样本数据集,随机地读入数据和进行数据预处理,运用7重交叉校验方法客观地评价预测结果。仿真结果显示,这种方法能自动有效地构建优化的支持向量机,与其他方法比较,具有更强的推广能力和更快的学习速度,而且具有更好的破产预测准确率。     

CPSO和LSSVM融合的网络入侵检测

网络攻击具有多样性和隐蔽性,为了提高网络安全性入侵检测的正确率,提出一种混沌粒子群算法（CPSO）和最小二乘支持向量机（LSSVM）相融合的网络入侵检测方法（CPSO-LSSVM）。利用混沌粒子群算法对LSSVM模型参数进行搜索,选择LSSVM最优参数,采用KDDCUP99数据集对CPSO-LSSVM性能进行测试,实验结果表明,CPSO-LSSVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。     

基于群评价的带变异粒子群算法

粒子群算法是一类有效的随机全局优化算法,但是经典PSO算法容易陷入局部最小值。提出了一种新的带变异自适应参数调整PSO算法,通过引入粒子群评价,根据粒子群的整体性能评价对PSO算法的所有参数动态调整,使前期能够快速搜索;同时对粒子本身找到的最优解以动态调整概率进行变异去保证粒子的多样性,防止后期陷入局部极小。对三个常用测试函数的数值仿真结果显示了该算法的有效性。     

基于改进粒子群算法的支持向量机

对求解含线性约束优化问题的粒子群算法（LPSO）进行了改进,给出了应用其训练支持向量机（SVM）的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动,能够较好地调整算法的全局与局部搜索能力之间的平衡。对双螺旋问题的分类实验表明本文提出的方法稳定性好,训练出的SVM具有较高的分类正确率。     

基于粒子群优化算法的LS-SVM财务预警

提出一种基于粒子群优化算法优化有关参数的最小二乘支持向量机的财务预警模型。通过提出适当的验证性能指标,用粒子群优化算法优化最小二乘支持向量机的有关参数,利用上市公司的财务数据对该方法进行实证财务预警分析。仿真结果表明,该模型的精确度令人满意,该方法是可行且有效的。     

基于改进自适应杂交粒子群优化算法和最小二乘支持向量机的空中目标威胁评估

评估空中目标威胁程度是防空指挥控制系统的核心环节,评估的准确程度将对防空作战产生重大影响。针对传统评估方法实时性差、工作量大、评估精度不足、无法同时进行多目标评估等缺陷,提出了一种基于自适应杂交粒子群优化（ACPSO）算法和最小二乘支持向量机（LSSVM）的空中目标威胁评估方法。首先,根据空中目标态势信息构建威胁评估系统框架;然后,采用ACPSO算法对LSSVM中的正则化参数和核函数参数进行寻优,针对传统杂交机制的不足提出改进的交叉杂交方式,并使杂交概率自适应调整;最后,对比分析了各系统的训练和评估效果,并用优化后的系统实现多目标实时动态威胁评估。仿真结果表明,所提方法评估精度高,所需时间短,可同时进行多目标评估,为空中目标威胁评估提供了一种有效的解决方法。     

基于仿生学改进的粒子群算法

针对标准粒子群算法收敛速度慢和易陷入局部最优的局限性,提出了一种基于仿生学改进的粒子群算法。即通过在标准粒子群公式中加入负梯度项,使算法更加符合鸟群觅食的实际规律,同时使算法的全局和局部搜索能力得到了平衡。仿真对比结果表明,改进的粒子群算法减小了陷入局部极值的可能性,能够提高最优解的精度和优化效率。     

基于核极化的特征选择在LSSVM的应用

为了对最小二乘支持向量机中样本的各个特征的差异性进行研究,引入了多参数高斯核,在分析核极化几何意义的基础上,提出了基于核极化梯度迭代优化多参数高斯核的特征选择算法。利用核极化梯度迭代算法对样本中每个特征的重要性程度进行测定;按特征的重要性大小进行LSSVM样本的特征选择;运用LSSVM对选出的特征子集进行训练和测试,称该方法为KP_LSSVM。UCI数据集上的实验结果表明,相较于PCA_LSSVM、KPCA_LSSVM和LSSVM方法,提出的方法可以取得更为准确的分类结果,验证了该方法的有效性。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于PSO-LSSVM模型的基坑周边建筑倾斜预测

针对基坑周边建筑倾斜变形影响因素的复杂性,以及监测数据的小样本和非线性特征,提出了一种基于PSO-LSSVM模型的基坑周边建筑倾斜的时间序列预测方法。采用相空间重构对基坑前期施工工况下的周边建筑沉降差时间序列进行重构,构建沉降差预测的学习样本输入到最小二乘支持向量机（LSSVM）中训练。利用粒子群算法（PSO）对LSSVM参数进行优化,获得最优预测模型,对后期工况施工期间的沉降差进行滚动预测,并代入公式计算得到未来倾斜变形值。将该方法用于昆明某基坑工程的周边建筑倾斜预测分析,取得了令人满意的预测结果。