基于IFOA算法的SVM参数优化及其应用

为了提高果蝇优化算法的种群多样性和果蝇搜索的遍历性,有效提高算法的收敛精度,提出一种改进的果蝇算法(Improving fruit fly optimization algorithm, IFOA),仿真实验表明, IFOA算法保持了搜索过程中的搜索尺度变化,平衡了算法的全局与局部搜索能力。在此基础上,为了改善支持向量机模型参数选择的随机性和盲目性,提高模式分类的准确率,提出并建立了一种IFOA-SVM模式分类模型。该方法将IFOA算法引入到支持向量机模型参数优化中,建立性能最优的支持向量机模型。应用该模型对UCI机器学习数据库中wine数据集进行模式分类研究,通过算法对比分析,结果表明：提出的改进果蝇优化算法在收敛速度和寻优效率上均有一定的提高,依此而建立的IFOA-SVM模式分类模型具有较准确的分类准确率,从而也验证了该模式分类方法在wine数据集分类应用中的有效性。     

基于ACO算法的SVM核函数的参数优化

本文针对核函数参数选择的随意性影响支持向量机分类性能的问题,提出了一种基于离散编码的蚁群算法(C-CACO-DE)的SVM核函数优化模型。C-CACO-DE解决了连续函数优化的蚁群算法(C-ACO)求解之前必须进行预处理的问题,解决了基于网格划分策略的连续域蚁群算法(CACO-GT)在求解精度的缺点、最优解必在定义域内的等分割点问题。仿真结果验证了该方法的有效性,F1值达到了90%以上。     

基于神经网络的粒子群算法优化SVM参数问题

对支持向量机的核参数选取到目前仍没有形成一套成熟的理论,严重影响了其广泛的应用。对核参数的选取做了一定的探讨。将神经网络与粒子群优化算法相结合并用于支持向量机核函数的参数优化。该方法能够同时具有神经网络较强的非线性拟合能力和粒子群优化算法的寻优能力。数值实验结果表明该算法对支持向量机核参数的优化是可行的、有效的,并且具有较高的分类准确率和较好的推广性能。     

基于离散微粒群优化算法的SVM参数选择

支持向量机（SVM）的学习性能和泛化能力主要取决于参数选择，然而传统的优化算法难以解决此问题。文中通过支持向量的个数建立优化目标函数，采用微粒群优化（PSO）算法对其优化，寻找最优参数。PSO是一种新兴的基于群体智慧的进化算法。实验表明，微粒群优化算法是支持向量机参数选择的有效方法。     

基于离散微粒群优化算法的SVM参数选择

支持向量机(SVM)的学习性能和泛化能力主要取决于参数选择,然而传统的优化算法难以解决此问题。文中通过支持向量的个数建立优化目标函数,采用微粒群优化(PSO)算法对其优化,寻找最优参数。PSO是一种新兴的基于群体智慧的进化算法。实验表明,微粒群优化算法是支持向量机参数选择的有效方法。     

基于矢量矩免疫算法优化SVM参数仿真研究

为解决支持向量机(SVM)参数在优化过程中存在的局部极值和收敛速度慢的问题,提出一种基于矢量矩免疫算法优化SVM参数的方法.通过将抗体距离与免疫网络原理中浓度调节机制相结合的方式,提高算法的局部搜索能力,通过引入免疫记忆单元加快算法搜索最优参数的速度,优化过程中用SVM的分类精度作为算法的循环条件,实现对不同分类问题SVM参数的自适应调节.最后,利用Matlab7.0软件进行计算机仿真并与遗传算法进行比较,结果表明前者在优化性能上具有一定的优越性,为应用提供了参考.     

利用粒子群算法优化SVM分类器的超参数

利用粒子群算法在求解组合优化问题时具有的全局搜索特性,设计并实现了支持向量机分类器中超参数的优选粒子群算法,扼要地叙述了算法实现中个体编码和适应度函数,通过在国际标准数据集上的实验验证了算法的有效性和高效性,最后列举了一些在上述工作基础上可开展的深入性工作。     

SVM参数优化的AFMC算法

支持向量机的参数选择仍未有系统的理论指导,其优化选择一直是支持向量机的一个重要研究方向。考虑到人工鱼群算法优化支持向量机参数往往易陷入最优参数组合微小邻域的问题,构造了用于支持向量机参数优化的AFMC算法。该算法前期利用鱼群算法较好的并行寻优性能,能快速寻得问题的近似最优解,而后利用MonteCarlo法进行局部寻优,以实现快速、有效地获取强近优解。数值实验结果表明,该算法具有较好的分类性能和较快的寻优速度,验证了在支持向量机参数寻优中的有效性和可行性。     

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。     

基于遗传算法的SVM特征选择和模型参数优化

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.但是它在应用中也存在如何对网络数据进行特征选择和选择适当的支持向量机模型参数的问题.在分析了特征选择和SVM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特征选择和分类器模型参数的自适应优化算法,并把它应用到网络入侵检测中去.最后,使用KDD CUP 99数据进行的仿真实验表明了算法的正确有效性.     

基于加速参数自调整粒子群算法的物流配送优化模型

提出一种加速参数随个体适应值调整的改进粒子群(PSO)算法用来解决物流配送模型优化的多峰早熟问题。首先,从算法行为分析和向量分析的角度,根据当前粒子适应值和种群最优适应值设计一种简单实用的加速参数自调整策略。其次,通过理论和数值分析进而得到算法的全局收敛条件,为算法的实际应用提供理论基础。最后,结合改进PSO算法对物流配送模型进行研究。实验表明,基于个体适应值的加速参数变化策略对于PSO算法的深度开发和全局探索两个重要进化过程具有很好的平衡作用。算法的改进方式简单,未增加算法的时间复杂性,可以有效地对物流配送模型进行优化。     

一种基于核函数参数优化的属性选择算法

属性选择可以有效地去除属性集中的冗余属性,降低分类算法的计算量,提高分类算法的泛化能力。以往的属性选择算法复杂度较高或者容易陷入局部最优解或者过多地依赖于随机因素。提出一种基于核函数参数优化的属性选择算法,该算法首先构建一个与属性相关联的核函数,核函数中的参数个数与属性个数一致,参数取值为0或1,对应着属性的取舍,然后通过交叉验证方法进行核函数参数的确定。该算法有效地将属性选择问题转化为核函数参数确定问题。在文本分类数据集上的仿真实验表明该算法可以较快较好实现属性选择,提高分类算法的性能。     

基于认知模型的社会关系预测算法

针对低采样率下社会网络中传统的关系预测方法精度较低的问题,提出一种基于认知模型的社会关系预测算法。该方法利用了单个节点对整个网络的认知能力,部分随机采样获得采样节点对社会网络中节点间关系的认知信息,然后根据认知信息预测出未采样节点的社会关系,实现了低采样率下所有节点间社会关系的预测。为了分析算法性能,在不同网络中用该算法与传统方法进行多组对比实验,结果表明该算法在低采样率下提高了预测精度、降低了预测时间。     

基于蝙蝠算法的贝叶斯分类器优化研究

朴素贝叶斯分类器是一种应用广泛且简单有效的分类算法,但其条件独立性的"朴素贝叶斯假设"与现实存在差异,这种假设限制朴素贝叶斯分类器分类的准确率。为削弱这种假设,利用改进的蝙蝠算法优化朴素贝叶斯分类器。改进的蝙蝠算法引入禁忌搜索机制和随机扰动算子,避免其陷入局部最优解,加快收敛速度。改进的蝙蝠算法自动搜索每个属性的权值,通过给每个属性赋予不同的权值,在计算代价不大幅提高的情况下削弱了类独立性假设且增强了朴素贝叶斯分类器的准确率。实验结果表明,该算法与传统的朴素贝叶斯和文献[6]的新加权贝叶斯分类算法相比,其分类效果更加精准。     

一种基于遗传算法改进的粒子群优化算法

在研究标准粒子群算法和遗传算法的基础上,介绍一种加入遗传选择,交叉算子以及变异算子的扩展算法,以提高粒子群算法摆脱局部极值点的能力,并且算法具有较快的收敛能力。     

差分细菌觅食算法

为解决细菌觅食优化算法BFO(bacteria foraging optimization)迭代过程中因种群多样性损失较快而易陷入局优的问题,将差分进化思想和BFO结合。首先在BFO的趋向性操作和繁殖操作中使用差分策略更新细菌位置,从而保证群体内的多样性不会随着算法迭代的进行而过快降低。其次是对算法中细菌位置更新方式的改进,通过逐维更新每一个维度信息而非一次更新一个细菌所有维度信息的方式,充分利用每一次位置改变带来的有利信息,从而大幅提高了算法寻找到全局最优值的效率。与其他4个算法对10个标准优化函数的测试结果对比表明,改进后的算法在寻得最优值的精度、效率、稳定性方面表现更好。     

基于端元子集优选的高光谱解混算法研究

针对采用最大体积单体MVS(Maximization Volume Simplex)端元提取算法进行端元初选时存在相似端元光谱问题,提出一种光谱信息散度SID(Spectral Information Divergence)和光谱梯度角SGA(Spectral Gradient Angle)相结合以区分两个相似端元光谱的方法。该方法对经过端元初选之后的端元子集进行端元的二次选择,采用以SID_SG作为最相似端元选择的判据,除去相似端元,降低相似端元对解混精度的影响,利用全约束最小二乘法进行丰度估计。实验结果表明,提出的优化方法与传统方法相比,提高了端元的选择精度,重构影像与原始影像之间的均方根误差RMSE(Root Mean Square Error)也有所降低,分布更加均匀。该方法对高光谱遥感影像进行深度解译具有十分重要的意义。     

基于均衡系数的决策树优化算法

针对ID3算法多值偏向及误分类代价被忽视的问题,结合属性相似度和代价敏感学习,提出基于均衡系数的决策树优化算法。该算法既克服了多值偏向,又考虑了误分类代价问题。首先引进属性相似度和性价比值两者的均衡系数,对ID3算法进行改进;然后运用麦克劳林公式对ID3算法进行公式简化;最后将算法改进和公式简化相结合,得到基于均衡系数的决策树优化算法。实验结果表明,基于均衡系数的决策树优化算法,既能够提高分类精度,缩短决策树生成时间,又能考虑代价问题并降低误分类代价,还能克服多值偏向问题。     

基于数据流数据处理模型的高效查询优化处理算法设计

提出一种新颖的优化方案.方案采用了查询谓词分组和连接分组技术,在众多的查询之间实现了计算共享,较大地节约了系统中存在的算子的数量并提高了处理速度.连接分组首先检查系统当前有无可以利用的中间结果,在这个基础上进行后续连接操作.谓词分组将相同结构的谓词组织在一起,通过引入常数表的这个数据结构将这些查询组织在一起,并将多个过滤操作转化为连接操作,减少了过滤算子的数量.实验结果表明,该方法不仅节约了内存空间,而且还较好地提高了系统的运行效率.