基于粒子群优化算法的支持向量机参数选择及其应用

参数选择是支持向量机(SVM)研究领域的重要问题,它的本质是一个优化搜索过程,考虑到进化算法在求解优化问题上的有效性,提出了以最小化k-fold交叉验证误差为目标．粒子群优化(PSO)算法为寻优技巧的SVM参数调整方法．通过仿真例子验证该方法的有效性后,用其建立了聚丙烯腈生产过程中数均分子量的软测量模型,结果表明该方法有效．     

基于正交法的神经网络结构研究和应用

总结了正交法的应用研究,提出用正交化方法来确定前馈神经网络的结构,包括隐层数、节点数以及网络训练步数.并将该网络用于描述聚丙烯腈生产过程软测量混合模型的中间参数k1,k2,K3,P与现场操作条件的非线性关系,从而实现质量指标的在线估计.仿真结果证明了该方法的有效性.     

基于正交法的神经网络结构研究和应用

总结了正交法的应用研究,提出用正交化方法来确定前馈神经网络的结构,包括隐层数、节点数以及网络训练步数。并将谈网络用于描述聚丙烯腈生产过程软洲量混合模型的中间参数k1,k2,k3,P与现场操作条件的非线性关系,从而实现质量指标的在线估计。仿真结果证明了该方法的有效性。