基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于PSO优化SVM的纹理图像分割

针对传统纹理图像分割方法运行时间长,分割准确率较低,提出基于粒子群优化算法(PSO)优化支持向量机(SVM)的纹理图像分割方法。首先在自适应调整惯性权重λ的控制策略中加入PSO中的当前迭代次数和种群数,改进PSO的惯性权重λ的性能;接着运用PSO寻找最优惩罚系数C和高斯核函数中参数γ,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对纹理图像分割测试。结果表明:对比传统方法,该方法不仅缩短运行时间,分割准确率也得到了提高。同时,对比传统惯性权重对分割结果的影响,改进后的方法使得平均收敛代数减少,寻优时间缩短。     

基于SVM和GA的图像质量评价方法

针对主观评价关联方法易陷入局部最优以及处理非线性、高维、小样本问题时效果不佳等问题,以均方误差、峰值信噪比、奇异值分解这3个图像质量客观评价指标和LIVE数据库评分作为学习样本,通过支持向量机学习得到主客观关联函数,利用遗传算法进行最优参数选取,由此得到具有主客观一致性的评价模型。测试结果表明,相比传统方法,该方法对图像质量的评价更准确。     

基于PSO训练SVM的人脸识别

粒子群优化算法(PSO)是一种进化算法,操作简单,参数少。与传统算法和遗传算法相比较,PSO算法在众多应用中表现了更好的性能。在通过对PSO算法训练支持向量机算法研究后,利用支持向量机在学习能力方面表现的良好性能,结合核主元分析特征提取方法,将其应用于人脸识别中,该方法在实验中表现了良好的识别性能,为人脸识别领域提供了一条新的识别途径。     

基于二进制PSO算法的特征选择及SVM参数同步优化

特征选择及分类器参数优化是提高分类器性能的两个重要方面,传统上这两个问题是分开解决的。近年来,随着进化优化计算技术在模式识别领域的广泛应用,编码上的灵活性使得特征选择及参数的同步优化成为一种可能和趋势。为了解决此问题,本文研究采用二进制PSO算法同步进行特征选择及SVM参数的同步优化,提出了一种PSO-SVM算法。实验表明,该方法可有效地找出合适的特征子集及SVM参数,并取得较好的分类效果;且与文[4]所提出的GA-SVM算法相比具有特征精简幅度较大、运行效率较高等优点。     

基于改进的PSO优化SVM火灾火焰识别算法研究

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法;首先在YCrCb颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别;算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法;仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

基于PSO和SVM的牵引变压器绝缘故障诊断

为提高牵引变压器绝缘故障诊断的正确性,在分析其负荷特征和特征气体产生机理的基础上,针对其故障特点提出基于粒子群优化（Particle Swarm Optimization,PSO）算法和支持向量机（Support Vector Machine,SVM）的牵引变压器绝缘故障诊断方法.根据罗杰斯比值法将变压器状态分为12种故障模式;用PSO算法优化SVM参数,充分发挥SVM具有较高泛化能力的优势.试验表明该方法能快速、准确地找到相应的优化参数,有效进行牵引变压器绝缘的故障诊断.     

基于SVM和PSO的新型非线性模型预测控制

对于具有强非线性或复杂非线性约束的系统,通过非线性模型的线性化和二次规划优化实现非线性模型预测控制,难以取得满意的结果。提出了一种基于支持向量机模型和粒子群优化的非线性模型预测控制系统的算法。仿真实例表明了支持向量机模型的泛化能力和粒子群优化的寻优速度及能力,证明了将其运用于非线性模型预测控制中的可行性。     

改进PSO的SVM回归模型及在气温预测中的应用

兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.     

基于PSO优化SVM的船舶流量预测算法

通过对上海洋山深水港口的船舶流量的调研以及对船舶交通流量影响因素的分析,建立支持向量机预测模型。同时为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法进行参数优化,建立较优的PSO-SVM预测模型。通过MATLAB仿真实验计算,将PSO-SVM模型与单纯的SVM预测模型和灰色神经网络预测模型结果进行对比分析,证明了该模型的可行性和优越性。     

基于改进粒子群优化的SVM故障诊断方法

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。     

基于混沌粒子群优化的支持向量机训练方法

为使粒子群优化算法初始粒子均匀分布在解空间,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出一种混沌粒子群算法。该算法对Circle模型进行改进,将其引入粒子群算法中,避免了粒子群算法陷入局部最优。给出应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进的CPSO SVM方法比CPSO SVM和PSO SVM方法有更好的识别性能。     

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。     

基于改进人工鱼群算法的支持向量机预测

由于参数的选择范围较大,在多个参数中进行盲目搜索最优参数的时间代价较大,且很难得到最优参数.为此,提出一种基于改进人工鱼群算法(AFSA)的支持向量机(SVM)预测算法.对AFSA进行改进,并使用改进算法优化SVM.实验结果表明,与遗传算法、粒子群优化算法和基本AFSA优化的支持向量机相比,该算法的均方误差降低为2.51×10-3,提高了预测精度.     

基于智能最小二乘支持向量机的大数据分析与预测

大数据分析方法能发现数据中存在的关系和规则,预测事物未来的发展趋势,从而提高决策的科学性。针对传统预测方法精度低、泛化性差的问题,提出基于智能支持向量机的大数据分析与预测方法。设计一种新的支持向量机模型参数选择准则,即模型残差概率密度函数逼近给定的高斯分布,并按照该准则采用混沌收缩粒子群优化算法确定模型参数,从而提高数据分类或回归处理的精度与泛化性。采用选矿生产过程现场数据进行实验,结果验证了该方法的有效性,并表明其精度比LSSVM方法更高。     

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。     

基于粒子群优化的Wv-SVM燃气负荷预测

针对传统预测模型精度不高的问题,提出基于小波核支持向量机的复合预测模型。采用小波分析提取燃气负荷相关的特征值,通过粒子群优化算法确定小波核支持向量机的参数,利用支持向量机(SVM)解决非线性回归和时间序列问题。实验结果证明,该预测模型的预测精度比BP神经网络和传统高斯核SVM高。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

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。