基于改进型人工鱼群算法的支持向量机参数优化

支持向量机在高维度、小样本情况下具有独特优势,但同时支持向量机的参数优化极大制约了其分类效果,目前参数优化缺乏系统的理论指导;针对传统DAG-SVM训练分类器较多,训练耗时长,分类效果受到结构排序的影响,提出了一种基于“1 vs R”策略的改进型算法;针对 SVM传统参数优化方式耗时大,优化精度不高,提出了改进型人工鱼群算法;最后结合1 vs R-DAG支持向量机算法与改进型人工鱼群算法,得到一种新的改进型支持向量机算法;仿真对比实验证实,对支持向量机的参数优化是有效可行的。     

基于人工鱼群优化的直推式支持向量机分类算法

提出基于人工鱼群优化的直推式支持向量机分类算法。该算法使直推式学习思想的优势得到充分的展现,在部分UCI标准数据集和20-Newgroups文本实验数据集上的对比实验表明,该算法较经典支持向量机算法和基于蚁群算法的直推式支持向量机算法具有更高的分类性能。     

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.     

人工鱼群算法优化支持向量机的无线传感器网络节点定位

为了提高无线传感器的定位精度,针对支持向量机(SVM)参数优化问题,提出一种人工鱼群算法(AFSA)优化SVM的传感器节点定位方法(AFSA-SVM)。首先构建无线传感器定位模型的学习样本,然后采用SVM构建节点定位模型,并采用AFSA模拟鱼群的觅食、聚群及追尾行为找到最优SVM参数,最后采用仿真实验测试节点的定位性能。结果表明,相对于其他定位方法,AFSASVM提高了传感器节点的定位精度,具有一定的实际应用价值。     

基于人工鱼群算法的孪生支持向量机

孪生支持向量机（twin support vector machine, TWSVM）是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法（artificial fish swarm algorithm, AFSA）是一种群智能优化算法,具有较强的全局寻优能力和并行处理能力。本文将孪生支持向量机与人工鱼群算法结合,来解决孪生支持向量机的参数选择问题。首先将孪生支持向量机的参数作为人工鱼的位置信息,同时将分类准确率作为目标函数,然后通过人工鱼的觅食、聚群、追尾和随机行为来更新位置和最优解,最后迭代结束时得到最优参数和最优分类准确率。该算法在训练过程中自动确定孪生支持向量机的参数,避免了参数选择的盲目性,提高了孪生支持向量机的分类性能。     

人工鱼群算法在SVM参数优化选择中的应用

针对支持向量机的参数优化缺乏理论支持,而SVM交叉检验法选取又较为费时的情况下,提出了基于人工鱼群算法的支持向量机参数优化选取算法,并以SVM分类预测准确率最大为优化原则,利用人工鱼群算法的较好并行性和较强的全局寻优能力,以实现最优目标并得到SVM的最优参数组合。数值实验结果表明：人工鱼群算法在SVM参数优化选取中具有更快的寻优性能,同时具有较高的分类准确率。该方法具有较好的并行性和较强的全局寻优能力。     

改进人工蜂群算法优化支持向量机及应用

针对支持向量机(SVM)的惩罚因子和核函数参数选取难度较大的问题,提出利用改进的人工蜂群算法优化支持向量机相关参数的方法.为了提高ABC算法的寻优能力,在原始ABC算法的搜索公式中引入全局搜索因子.利用UCI数据集对优化后的模型进行验证,证明了其良好的性能.将其应用于船舶压载水系统的故障诊断,实验结果表明,IABC算法...     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

改进人工鱼群算法在SVM参数优化中的应用

支持向量机的参数优化一直是一个重要的研究方向。参数的好坏很大程度上决定了支持向量机的分类精度和泛化能力。针对人工鱼群算法优化支持向量机参数时,容易在后期徘徊于最优解附近、难以逼近的问题,提出了人工鱼群加速算法,使用速度参数代替人工鱼步长,从而求得最优目标并得到SVM的最优参数组合。仿真实验结果表明：该算法收敛速度快,求解数值精度高,对初值的依赖程度低,在SVM参数优化中具有更好的性能、更高的分类准确率,是一个极其有效的参数优化方法。     

一种基于支持向量机的内模控制方法

在基于数据的基础上,采用SVM回归理论建立系统的正向模型和设计逆模控制器.首先简要介绍了SVMR的原理,然后将其应用于内模控制问题,并建立了SVMR模型.其次,在控制过程可逆的条件下设计了SVMR控制器.最后将该控制方法应用于一可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与神经网络IMC相比,具有较简单的模型和较好的控制性能.     

一种新的模糊支持向量机多分类算法

在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机（fuzzy support vector machines,FSVM）的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。     

一种新的面向渔情预测的智能数据处理模型研究*

结合印度洋大眼金枪鱼渔业应用背景,提出一种新的面向渔情预测的智能数据处理模型。首先利用支持向量机（SVM）对样本数据进行训练,并运用模糊分类器对支持向量进行规则提取;然后对条件和结论分别进行可拓变换和传导变换,获得渔场动态知识。实验结果表明,获得的动态知识具有更强的解释性,对丰富渔情预测方法、解释渔场形成机制具有重要意义。     

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机（SVM）核方法和小波框架理论，提出了一种称为小波支持向量机（Wavelet Support Vector Machines, WSVM）的新的机器学习方法，并把这种方法应用于组合预测，得到了一种基于WSVM的非线性组合预测新模型，然后给出了此模型的结构设计和实现算法．通过仿真实验，把该方法与小波神经网络等方法相比较，得到了更好的实验结果，从而验证了该方法的正确性和有效性．     

支持向量机在小字符集识别中的应用

支持向量机（SVM）是由Vapnik等人提出的一类新型机器学习方法,此方法利用较少的训练样本就可以达到比较理想的识别效果。本文应用SVM对手写数字字符集进行识别,结果表明了该方法在小字符集脱机手写体识别中的实用性。     

鲁棒r-支持向量回归机中参数r 的选择研究

为使r-支持向量回归机更具鲁棒性．研究了r-支持向量回归机r-SVR中参数r与输入噪声之间的关系．将r-SVR的优化问题转换成最大后验估计问题．推导出r-SVR后验估计最大化的条件．得出了输入噪声为高斯分布时r-SVR中参数r与σ之间的近似线性反比关系．为已知输入高斯噪声方差σ时合理选择r提供了理论依据．     

基于支持向量机算法的气体识别研究

利用多传感器或者传感器阵列,同时,结合神经网络技术来进行气体识别和定量分析研究已成为目前传感器领域的一个研究热点。介绍了一种在该领域还没有引起足够重视的算法———支持向量机算法(SVM)。利用该算法,结合多传感器技术,对 3种不同体积分数的有机溶剂进行了识别研究,并取得了较好的识别效果,证明了该算法在气体识别领域具有相当大的研究价值。     

基于支持向量机的车辆牌照识别的研究

将支持向量机（SVM）引入到复杂条件下运动车辆牌照字符的识别中。回顾了车牌识别研究的现状,简要介绍了SVM的基本原理,比较了SVM算法和神经网络算法在车牌字符识别上的优劣;提出了采用基于先验知识的二叉树结构组合多个二值分类支持向量机来解决车牌字符的多类识别问题。在实验中采用了LibSVM训练软件,针对车牌汉字的小字符集进行了仿真,同时与神经网络分类方法进行了比较。实验结果表明该方法的汉字识别率较高,在小字符集车牌汉字识别中具有较强的实用性。     

压力传感器的支持向量机非线性回归建模

压力传感器的输出特性易受到环境因素,尤其是温度变化的影响。针对该问题,提出了利用支持向量机(SVM)对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用SVM的回归算法来逼近非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型来实现压力传感器的校正。实例表明:该方法能有效地减少温度变化对传感器输出的影响,且校正后的压力传感器具有更高的测量精度和温度稳定性。     

基于多核混合支持向量机的城市短时交通预测

城市道路交通的不确定性、非线性和时空相关性使得交通系统参数描述和知识获取极为困难,从而使短时交通预测难以获得满意结果。利用多核混合支持向量机识别和处理不同类别输入数据的能力,提出了一种基于多核混合支持向量机的城市短时交通预测方法。该方法在统计分析交通状态数据样本的基础上,继承了支持向量机良好的泛化能力、全局最优和较强自适应性的特点,并采用改进的粒子群算法对支持向量机的参数进行了优化选择。同时,针对道路实时交通状态与历史平均交通状态较强的线性相关性、道路实时交通状态与前几时段交通状态及上下游路段实时交通状态的非线性相关性,分别设计了线性核函数和非线性核函数对城市交通状态进行映射和拟合。该方法既考虑到交通状态历史规律对预测的指导意义,又顾及交通的时变特征,充分提取了交通系统相关参数的知识信息。实验结果表明,本文提出的短时交通流预测方法具有准确性、鲁棒性和自适应性特点,具有较好的实际应用价值。