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.     

基于社会力模型算法的SVM参数优化

为了解决支持向量机(SVM)参数优化的问题,提出一种改进的基于社会力模型群智能优化算法SFSO(Swarm Optimization algorithm based on Social Force Model)的SVM参数优化方法。SFSO通过期望力和排斥力使算法在全局搜索和局部搜索中能够较好的平衡,利用SFSO特有的搜索机制对SVM的惩罚因子和径向基函数进行优化,提高SVM的分类性能。通过对几个benchmark函数和常用的UCI数据集进行测试表明:改进后的SFSO算法不仅对于求解函数优化问题具有较强的鲁棒性和较高的求解精度,而且经改进SFSO算法优化后的SVM具有更快的收敛速度和更高的分类准确率。     

基于改进PSO算法优化SVM模型的面色识别

针对传统中医诊断信息技术中,存在样本不平衡及面色识别精度低的问题,提出了基于改进粒子群算法的支持向量机(SVM)模型.由于数据量的限制,选择SVM小样本分类模型.采用粒子群算法为SVM模型选择合理参数.采用惯性权重先增后减的更新策略,同时利用自适应高斯模型对粒子群算法进行改进,应对容易陷入局部最优的问题.研究了384个...     

一种基于免疫算子的SVM算法

SVM是一种基于核函数的机器学习算法,因为它具有良好的推广性和较好的性能,所以成为近些年来大家所关注的热点,但是该算法存在两个问题：一、如何提高SVM的计算精度;二、如何减少计算时间。本文提出一种使用免疫算子的SVM算法,该算法不但能够提高SVM的性能使其更加接近于实际问题,还能避免因问题太复杂使得结果不是最优解的情况。文中最后对样本进行了实验,结果说明了使用免疫算子的方法比经典方法在分类效果上有明显提高。     

MEMS器件自动优化算法

研究了MEMS器件结构参数的自动优化算法及其实现技术.以悬臂梁的谐振频率指标为例,通过TSPICE软件,模拟其在给定初始结构参数下的谐振频率,算法自动完成指标分析并选取适当的修正步长,采用恰当的参数修正算法对器件结构参数进行优化,通过循环迭代直至满足用户频率指标和精度指标要求.最后采用CoventorWare软件对优化结果进行了验证.     

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。     

基于支持向量机的位置相关计算

支持向量机是一种基于统计学习理论的机器学习方法,该理论主要研究在有限样本下的学习问题.为了得到最佳的推广能力,支持向量机方法在模型复杂度和学习能力之间寻求最佳折中,妥善解决了机器学习中常见的过学习问题.将该方法应用在信号指纹定位技术的第二阶段,即在线阶段,以数据采集阶段采集到的数据为基础,建立了接收信号强度为输入,对应位置坐标为输出的模型.最后用测试样本检验该模型,定位结果验证了支持向量机在小样本情况下的学习能力.     

基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足,提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间,将非线性问题转化为线性,然后在结构风险最小化原则下进行二次规划,并求得最优解,从而建立模型。从仿真实验中可以看到,该方法建立的模型较为准确地预测了600009、000815两只股票的日均价,表现出了较强的泛化能力。     

基于K近邻的支持向量机分类方法

针对支持向量机对噪声和孤立点非常敏感,以及对大规模且交错严重的训练集支持向量个数多,分类速度慢和精度低等问题,基于KNN方法提出KNN-SVM分类器.首先在特征空间中,根据每个样本K个近邻中同类别样本数目的多少来删减样本集,然后对新样本集进行SVM训练;又证明了当取高斯核函数或指数核函数时,上述删减方法可简化为在原空间中进行.该方法减少了由噪声和孤立点以及一些对分类面贡献不大的样本所带给训练器的负担,减少了支持向量的个数,从而与SVM相比,加快了训练和测试速度,提高了分类精度.仿真实验表明KNN-SVM具有上述优势,而且比NN-SVM更能合理地删减样本集,达到更高的分类精度.     

基于支持向量机的生物序列分析

支持向量机是一种比较新的机器学习方法,它满足结构风险最小的要求,并且能够适用于高维的特征空间,因此在生物序列分析中得到了广泛地应用。结合基因序列的特点,提出了一种新的核函数--位置权重子序列核函数。这个核函数融合了基因序列中子序列的组成特征和位置信息,能够比较充分地体现序列特征。将这个核函数用于基因剪接位点的识别分析,得到的结果表明,采用了位置权重子序列核函数的支持向量机能够很好的识别剪接位点,与其它方法相比,取得了更高的识别精度。     

基于支持向量机的AdaBoost人脸检测方法

人脸的检测与识别技术因其巨大的应用价值及市场潜力,引起各方面的关注,已经成为计算机视觉领域的研究热点.介绍了一种基于支持向量机(SVM)的AdaBoost人脸检测方法.与原有的AdaBoost算法相比,AdaBoostSVM算法通过设置核参数σ的最小值,并自适应地调整σ值来解决AdaBoost算法分类器训练中的过学习问题.该方法降低了复杂性,增强了推广性.实验结果证明,对于人脸模型具有较好的检测效果,并且比单纯运用AdaBooet算法具有更高的正确检测率.     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

基于支持向量机多分类的室内定位系统

为解决室内实时定位中定位精度不高、显示效果来回跳动的问题,提出了一种基于支持向量机(SVM)多分类的室内定位算法。针对传统基于采样点的匹配算法处理非线性问题的不足以及实时定位时信号采集时间较短、变化幅度较大等问题引入网格定位的概念,将定位匹配设计成多分类问题,利用SVM得到目标最有可能所属的K个网格;利用实时定位中前、后两个位置的相关性剔除这K个网格中可能性较小的网格,最终所属网格坐标加权后得到估算位置坐标,并利用卡尔曼滤波算法对估算位置坐标进行滤波处理。实验结果表明,算法的定位精度与传统SVM的精度相比有明显的提高。     

基于SVM主动学习的入侵检测系统

研究在入侵检测中,采用基于支持向量机(SVM)的主动学习算法,解决小样本下的机器学习问题。该文提出了基于SVM主动学习算法的系统框架及适用于入侵检测系统的SVM主动学习算法,讨论了候选样本集的组成比例、候选样本集数量及核函数的不同参数选取对检测结果的影响。通过实验验证,基于SVM主动学习算法与传统SVM算法相比,能有效地减少学习样本数,提高检测精度。     

支持向量机的参数优化及其在故障诊断中的应用

针对支持向量机分类器的参数优化问题,提出了一种基于混沌遗传算法的参数选择方法。采用轨道均匀分布的反三角函数Logistic映射产生优化变量,等概率搜索优化区间,克服了Logistic映射优化算法对优化区间边缘进行大概率搜索的缺陷;利用混沌的遍历性产生初始群体,对部分适应度较差的个体进行混沌寻优,解决了遗传算法的早熟和收敛问题。将该方法应用于无刷直流电机功率变换器开关管开路故障分类器中,实现了分类器参数优化。结果表明,该算法是可行、有效的。     

基于支持向量机的工程项目风险预测研究

风险预测是工程项目风险管理的重要基础,本文在介绍支持向量机(SVM)基本原理的基础上,探讨了基于支持向量机的项目风险预测算法,根据以往同类工程项目的数据作为学习样本,来识别待研究项目的风险类别,从而做出项目风险水平的预测。本文同时也说明了Libsvm软件在项目风险预测方面的应用。