粒子群算法支持向量机的半监督回归

将基于粒子群算法的支持向量机与半监督学习理论相结合,提出了粒子群算法支持向量机的半监督回归模型。针对典型的实验数据集进行实验,并将实验结果与常规的遗传算法支持向量机和粒子群支持向量机模型进行对比。实验结果表明,粒子群算法支持半监督回归模型明显提高了回归估计的精度。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

基于粒子群优化的SVM供水管道泄漏诊断方法

供水管道泄漏会造成水资源浪费和经济损失,传统支持向量机泄漏诊断模型中存在参数选择不确定的问题,导致其分类结果不稳定。提出将粒子群进化算法应用于泄漏诊断支持向量机模型中的参数优化选择,利用粒子群群体智能优化搜索从全局迅速地迭代出合理的支持向量机的惩罚参数以及核参数,使建立的PSO-SVM管道泄漏诊断模型达到最优。实验测试表明,通过结合粒子群算法全局搜索收敛速度快的优点,有效地解决了支持向量机模型中两个重要参数优化选择的问题,提升了支持向量机分类的准确率和效率。     

基于PSO-LSSVM的振弦传感器温度补偿

针对振弦传感器测量精度受环境温度影响的问题,本文提出基于粒子群-最小二乘支持向量机的温度补偿方法。采用泛化能力好、收敛速度快、全局最优的最小二乘支持向量机,并引入粒子群算法对最小二乘支持向量机的两个参数进行优化,建立预测模型,进行温度补偿。实验表明:与BP神经网络算法相比,该方法提高了传感器的精度。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

基于有督导机器学习的网络流量识别系统

针对真实网络环境中存在大量干扰噪声和野值样本等严重影响最小二乘支持向量机算法的性能等问题,提出一种结合协同量子粒子群优化算法和最小二乘支持向量机的网络流量识别系统。将网络流量分为12个类型,并进行数据采集。使用采集的数据对网络流量识别系统进行训练和性能测试。为研究提出的基于CQPSO-LSSVM算法的性能,将其与基于CQPSO-LSSVM算法和基于PSO-LSSVM算法进行对比,结果表明基于CQPSO-LSSVM算法具有更快的识别速度以及更好的识别准确率,避免了出现陷入局部最优解的情况发生。     

干扰识别的量子粒子群和支持向量机算法

根据支持向量机结构风险最小化原则和量子粒子群快速全局优化的特点,提出了干扰样式识别的QPSO-SVM算法。采用量子粒子群算法优化支持向量机参数,建立了干扰样式特征组分识别的模型,经过仿真试验,表明该算法具有识别率高,计算时间短的优点。     

HAFBPS对发酵法生产透明质产量的预测

针对发酵生产透明质酸产量进行的预测方法困难的问题。提出一种基于粒子群算法的支持向量机模型,对发酵产物透明质酸的产量进行预测。支持向量机的精确度主要取决于惩罚系数和核参数的设定,为了提高其预测的精确度,将惩罚系数和核参数看成是一定空间范围的解,利用粒子群算法对其全局优化运算。通过比较HAFBPS和同类方法的仿真实验结果,得出基于粒子群算法的支持向量机模型在对发酵产物透明质酸的预测上具有更高的精确度     

基于改进PSO-SMO的模型参数辨识及应用

目前,大多数智能辨识方法只考虑辨识系统的输出值,不能辨识模型的参数.对此,研究了基于线性核函数支持向量机的辨识算法,对模型参数和输出同时进行辨识.在此基础上,采用改进的PSO-SMO算法以提高辨识速度和精度.将该方法用于ARX模型和长期预测模型的参数辨识中,结果表明,该算法比其他算法具有更高的准确性.     

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。     

基于粒子群优化和支持向量机的电力负荷预测

提出支持向量机的粒子群优化算法的用电量预测方法.其中,采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月～10月的用电量数据以及相关特征数据作为实验数据,实验结果表明该算法电量负荷预测精度高于BP神经网络.     

基于改进粒子群算法的并联机械手运动参数识别

在工业生产过程中，由于机械手制造与装配过程存在误差，不仅造成运动精度降低，而且阻碍生产效率提高。为解决这一问题，提出了基于了改进粒子群优化算法的并联机械手运动参数识别研究，通过建立参数数学模型，完成机械手几何参数误差的识别和补偿。实验表明，文中提出基于改进粒子群优化算法的并联机械手运动参数识别，测试误差小、收敛速度快，可以为改良生产线、改善产品质量、提高企业效率提供有效的帮助。     

基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

基于粒子群算法的PID控制器参数优化

粒子群算法是一种智能算法,在PID控制器参数整定的应用中可取得更优的效果。为解决传统的粒子群算法早熟收敛和收敛速度慢的缺点,文中采用了一种基于相似度动态调整惯性权重的方法,即越靠近目前最优粒子的个体被赋予越小的惯性权重值。最后用MATLAB对等温连续搅拌釜反应器仿真。与标准的PSO算法整定方法相比,改进的粒子群算法稳定时间为230.1 s,比传统粒子群算法524.7 s的稳定时间缩小了一半,表明改进的算法对PID控制器的参数优化有着较优的收敛效果。     

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

基于粒子群算法的3维激光雷达回波分解

为了提高3维激光雷达回波分解的精度和准确度,采用粒子群算法与最小二乘法相结合的方法,分析了激光雷达回波分解原理以及粒子群算法原理,研究了粒子群算法在激光雷达回波信号分解中的应用;进行了理论分析与实际数据验证,取得了实际激光雷达回波数据的分解结果。结果表明,采用粒子群算法与最小二乘法相结合的分解方法,激光雷达回波可以更高精度地分解为一系列单个波形的叠加,并获得了延时、强度及脉宽等参量,拟合度提高至0.989,一定程度上抑制了噪声的干扰。该算法可以有效提高激光雷达回波分解的精度。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于混合优化算法的纳米薄膜参数表征

为了在椭圆偏振测量过程中得到精确的纳米薄膜参数,提出了一种求解纳米薄膜参数的混合优化算法。结合人工神经网络算法反向传播和粒子群算法快速寻优的特点,建立了改进粒子群-神经网络(Improved Particle Swarm Optimization-Neural Network,IPSO-NN)混合优化算法。该算法在较少的迭代次数下具有快速跳出局部最优解的能力,从而快速寻找椭偏方程最优解。文中使用该算法对标称值为(26.7±0.4)nm的硅上二氧化硅纳米薄膜厚度标准样片进行薄膜参数计算。结果表明:采用IPSO-NN混合优化算法计算薄膜厚度时相对误差小于2%,折射率误差小于0.1。同时,文中通过实验对比了传统粒子群算法与IPSO-NN算法,验证了IPSO-NN算法计算薄膜参数时能有效优化迭代次数和寻找最优解的过程,实现快速收敛,提高计算效率。