基于粒子群优化的支持向量机人脸识别

针对传统主成分分析(PCA)算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机(SVM)模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。     

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tlPSO-SVM模型的肿瘤进展预测

为研究患者肿瘤进展情况与各项指标之间的关系,以支持向量机(SVM)作为分类模型,根据各项检查指标预测肿瘤进展情况。设计三层粒子群优化算法(tlPSO)对SVM模型进行参数寻优,使用训练集建立分类模型,利用测试集评估模型性能,得到tlPSO-SVM模型。tlPSO算法能有效降低陷入局部最优解的机率,获取全局最优参数,从而使模型具有最优的分类性能。将血常规、中医症候、FACT评分等指标作为输入,肿瘤进展情况作为分类输出,建立分类模型并进行预测。实验结果表明,tlPSO-SVM模型准确率较高,具有较好的分类性能。     

神经网络在软件可靠性预测中的应用研究

关于应用软件保证在应用中安全可靠,应研究软件可靠性预测问题.针对软件可靠性预测系统是一个多因素的、非线性的复杂系统,传统设计高精度的准确数学模型预测方法是相当困难,RBF神经网络是一种非线性预测能力相当强的预测方法.为了提高软件可靠性预测的准确率,提出一种粒子群优化RBF神经网络的软件可靠性预测模型.模型首先将软件可靠性因子作为RBF神经网络的输入,软件可靠性准确率作为RBF神经网络的输出,然后将RBF神经网络的参数初始为粒子群中的粒子,软件可靠性准确率作为粒子优化的目标函数,通过粒子群之间的协作来获得RBF神经网络最优参数,用最优参数对RBF神经网络对软件可靠性进行预测.仿真结果表明,与传统软件可靠性预测方法相比,粒子群优化RBF神经网络对软件可靠性预测的精度更高,收敛速度更快,同时解决了传统RBF神经网络参数寻优难题,更加适合于软件可靠性预测.     

图像质量评估模型的仿真研究

研究了图像质量评估精度问题.针对图像采集,压缩传输中出现的畸变,在视觉上的感受特征不清,导致了图像效果差,难以识别图像特征.提出了一种全新的针对JPEG编码压缩并利用基于局部特征和分割的无参照模型图像质量评价模型,给出了对训练和测试样本集设置分割阈值的新方法.首先通过粒子群优化算法(PSO)方法对图像进行分割,然后针对...     

基于局部高斯过程的短期风速预测

准确的风速预测对于风电场和电力系统的稳定运行具有重要意义。本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。     

基于SVM的飞机引气系统故障检测方法研究

基于飞机的历史QAR(Quick Access Recorder,快速存取记录器)数据构建数据集,对数据集进行参数选择、数据预处理、数据集划分等操作,目的是提高模型的运行效率和准确度;使用改进粒子群算法对SVM(Support Vector Machines,支持向量机)的分类参数进行优化,使模型的分类效果达到最优;为了验证模型的故障检测效果,将收集到的某航空公司A320系列飞机的引气系统QAR数据进行预处理并导入模型故障检测,最终将检测结果进行验证.结果表明,使用改进粒子群算法优化的SVM对飞机引气系统进行故障检测,可以提高故障检测的准确率,提前发现潜在的故障,减少故障发生的可能性.     

基于CEPSO-LSSVM的煤炭消费量预测模型

针对煤炭消费量的时变性、非平稳性特点,为了提高煤炭消费量预测精度,提出了一种鲶鱼粒子群算法优化最小二乘支持向量机（LSSVM）的煤炭消费量预测模型（CEPSO-LSSVM）。将LSSVM参数编码成粒子位置串,并根据煤炭消费量训练集的交叉验证误差最小作为参数优化目标,通过粒子间信息交流找到最优LSSVM参数,并引入“鲶鱼效应”,保持粒子群的多样性,克服传统粒子群算法的局部最优,根据最优参数建立煤炭消费量预测模型,并采用实际煤炭消费量数据进行仿真测试。结果表明,相对于其他预测模型,CEPSO-LSSVM可以获得更优的LSSVM参数,提高了煤炭消费量预测精度,更加适用于复杂非线性的煤炭消费量预测。     

基于深度学习的图像质量评价方法综述

图像质量评价是对图像或视频的视觉质量的一种度量,主要分析了最近10年图像质量评价算法的研究情况。介绍了图像质量评价算法的衡量指标以及常用的图像质量评价数据集,对图像质量评价方法的分类做了阐述,重点分析了基于深度学习技术的图像质量评价算法。目前,该类算法的基础模型主要包括深度卷积神经网络、深度生成对抗网络和变换器,其性能通常高于传统的图像质量评价算法。描述了基于深度学习技术的图像质量评价算法的原理,重点介绍了基于深度生成对抗网络的无参考图像质量评价算法,通过增强对抗学习强度提高模拟参考图的可靠性。深度学习技术需要海量训练数据的支持,探讨和总结数据集增强的方法,对数字图像质量评价方法的未来研究进行展望。     

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优选参数的SVR水质参数遥感反演模型

为进一步提高多光谱图像水质反演的精度,提出了一种基于PSO优选参数的SVR水质参数遥感反演模型.该模型利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,采用交叉验证CV(cross validation)估计模型推广误差并使用PSO优选SVR模型参数,实现了模型参数的自动全局优选,在训练好的SVR模型基础之上对水质进行反演.以渭河陕西段为例进行实证研究,实验结果表明,本文提出的水质反演模型较常规的线性回归模型有更高的反演精度,为内陆河流环境遥感监测提供了一种新方法.     

基于改进QPSO和RBF神经网络的文本分类方法

为提高文本分类的准确性,本文提出了一种基于量子PSO和RBF神经网络的新的文本分类方法.首先建立描述样本类别的关键词集合,并采用模糊向量空间模型建立每类样本的特征向量,然后采用RBF神经网络实施文本自动分类,采用改进的量子PSO优化RBF神经网络的参数,以提高其逼近能力.选取中国期刊网的部分文献作为实验数据,实验结果说明本文所提出方法的分类精准度与其他同类方法相比有明显的提高.     

一种改进的基于粒子群的粗糙K-medoids算法

针对K-medoids算法的全局搜索能力弱和迭代计算过程计算量大的不足,提出了一种改进的基于粒子群的粗糙K-medoids算法。该算法通过粒子群算法来改善K-medoids全局搜索能力,通过计算样本集的相异度矩阵来简化粒子群编码,引入粗糙集理论处理边界模糊数据,并利用记忆技术对K-medoids的迭代过程进行优化,降低算法的复杂度。通过对UCI中的Iris、Mushroom数据集测试,该算法的准确率提高,运行时间减少。     

基于K-均值聚类的彩色图像质量评价及优化

针对彩色图像质量无法实时评价及优化的问题,提出了基于K-均值聚类的彩色图像质量评价及优化算法。首先利用K-均值聚类的方式构建样本数据集;然后通过待评价图像与聚类数据集之间的相似性来构建特征集;之后再将待优化图像与聚类数据集之间进行融合,对融合后的矩阵进行PCA变换实现了图像质量的优化;通过实验证明,所提评价算法与人眼主观视觉具有较好的一致性;同时,还能通过评价结果实现图像质量的自适应优化。     

基于GEPSO模型的面向对象遥感图像分类

针对演化算法的寻优能力,提出了基于GEPSO(GEP Optimized by PSO)模型的面向对象遥感图像分类方法.先对遥感图像进行分割,选择特征集,然后利用GEPSO算法为每类图像对象构造一个类中心.构造类中心的过程先利用GEP搜索一个次优解,再根据这个次优解利用PSO搜索最优解.实验结果表明,基于GEPSO模型的面向对象遥感图像分类方法具有较高的分类精度.     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。     

基于粒子群优化的项聚类推荐算法

针对传统推荐算法的数据稀疏性问题和推荐准确性问题,提出基于粒子群优化的项聚类推荐算法。采用粒子群优化算法产生聚类中心,在此基础上搜索目标项目的最近邻居,并产生推荐,从而提高了传统聚类算法的推荐准确性及响应速度。实验表明改进的项聚类协同过滤算法能有效提高推荐精度。     

基于粒子群优化的非平滑非负矩阵分解算法

传统的非平滑约束的非负矩阵分解算法(nsNMF)在处理高光谱数据时,存在对初始值敏感、容易陷入局部最优值等缺陷。为此,提出一种基于粒子群优化(PSO)的nsNMF算法。采用传统nsNMF算法迭代的结果作为初始值,以避免PSO的盲目搜索。通过PSO搜索端元光谱矩阵,利用nsNMF算法更新端元光谱矩阵和丰度矩阵,以缩小搜索空间,降低计算复杂度,避免陷入局部最优。在合成数据集和真实数据集上的实验结果表明,与传统nsNMF算法相比,该算法能获得更好的全局最优解,端元光谱和丰度值更接近真实值。     

入侵检测中的快速特征选择方法

进行入侵检测前必须分析输入数据的特征。使用粒子群优化算法对特征进行选择,消除冗余属性、降低问题规模、提高数据分类质量、加快数据处理速度。用二进制字符串序列表示粒子位置,阐述位置和速度的更新策略以及适应度函数的选择。在KDD CUP1999数据集上进行实验,结果表明与遗传进化算法相比,该方法可以更有效地精简特征,提高分类质量。     

基于微粒群算法和脉冲耦合神经网络的图像分割算法

脉冲耦合神经网络（Pulse Coded Neural Network,PCNN）在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大。而微粒群优化算法（Partide Swarm Optimization,PSO）具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去了人工实验的麻烦,同时分割速度也有所提高。