基于PSO与GA的SVM特征选择与参数优化算法

支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。     

一种基于粒子群优化SVM的交通流量预测方法

为了准确预测交通流量,提出了一种基于改进型支持向量机算法的短时交通流量预测方法。支持向量机对训练样本进行学习后,可以形成影响因素与影响结果之间的最优函数,进而根据实时交通状态对交通流量进行非线性回归预测。为了提高预测精度,使用QPSO算法优化了支持向量机的参数,并进行了滤波处理以减小模型误差。仿真结果显示,实际预测误差小于10%。     

基于粒子群优化支持向量机的矿井涌水量预测

矿井涌水量预测是一项复杂而有难度的技术,受到很多因素的影响.提出基于粒子群优化支持向量机(PSO-SVM) 的矿井涌水量预测方法,即将粒子群优化算法(PSO) 用于SVM 参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5% 的工程许可误差.     

基于改进PSO的SVM算法在数据库入侵检测中的应用研究

随着数据库应用越来越广泛,数据库信息泄露和篡改事件逐渐显现出来,数据库安全问题备受关注。入侵检测能够主动发现数据库中的各种攻击行为,弥补传统安全技术的不足,但由于现阶段大部分入侵检测技术工作量巨大,因而未能智能地进行检测判断。基于该问题,提出一种基于改进PSO的SVM算法对数据库进行智能入侵检测,利用改进PSO算法对SVM算法的惩罚因子和核函数参数进行寻优,利用寻优后的SVM对数据库操作进行分类,判断其是否属于正常操作行为。     

量子粒子群算法优化最小二乘支持向量机及其应用研究

最小二乘支持向量机寻优的算法在实际生活中有着广泛的应用,用量子粒子群算法（Q PSO ）优化最小二乘支持向量机模型（LS -SVM ）能极大地提高最小二乘支持向量机的寻优能力。本文利用 QPSO 算法优化 LS - SVM 模型,以MATLAB7．0为平台,对企业的销售管理问题进行寻优,兼顾了公司、营销部的利益以及客户的需求,做到均衡销售,最后使公司的利益最大,证明了方法的有效性。     

基于PSO优化的神经网络在边坡稳定性评价中的应用

本文首先介绍基于PSO优化的BP神经网络算法;并在此基础上,考虑影响边坡稳定性分析的包括岩石容重、粘聚力、内摩擦角、边坡角、边坡高度、空隙水压力等各种自然因素,以文献中土质边坡工程的数据为例,用基于PSO优化的BP神经网络算法对边坡稳定性进行评价。最后将评价结果与传统BP方法计算结果进行逐一对比,结果证明该方法不仅能满足边坡稳定性评价的精度要求,而且还可以加快训练收敛速度,其泛化性能也比较好,使得边坡稳定性评价更为便捷迅速,从而证明该方法具有一定的推广应用价值。     

改进WOA算法优化SVM的网络入侵检测

基于支持向量机(SVM)的网络入侵,因SVM参数设置不当导致分类准确率偏低的问题,提出改进二进制鲸鱼算法优化支持向量机(IBWOA-SVM)的网络入侵检测。通过对鲸鱼优化算法中收敛因子的改进和更新机制融入粒子群策略的方式,改善其容易陷入局部最优且收敛精度慢的缺点。对初始化参数群采用改进二进制鲸鱼优化算法的更新机制不断地进行更新迭代,迫使鲸鱼搜索代理获取较优的参数值来建立性能较优的分类模型,进而提高网络入侵检测的分类性能。采用多个UCI数据集并与其他的参数优化方法进行对比,最后使用网络入侵检测KDD CUP 99数据集进行验证。结果表明,与遗传算法、粒子群算法和鲸鱼优化算法在SVM参数优化上的性能相比,IBWOA-SVM方法的分类准确率和适应度值在各数据集上都有所提高,从而有利于改善网络入侵检测参数优化中的分类性能。     

LDW PSO算法及其在电网无功优化中的应用

利用LDW PSO算法解决了输配电网的无功优化补偿问题。阐述了无功优化补偿的数学模型以及LDW PSO算法优化步骤。工程实例验证表明,该方法降低了网损,且所有节点电压都满足要求,在节能降耗方面具有较大优势。     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。     

基于PSO优化的BP神经网络在洪水预报中的应用

针对BP神经网络的不足,采用PSO算法对BP神经网络进行优化,建立一个混合的神经网络洪水预测模型。实验仿真结果表明,该模型的预测效果优于传统的洪水预测模型。     

中频淬火控制系统的基于PSO的BP网络仿真研究

针对中频淬火传统的控制策略问题,提出一种新的控制策略——基于PSO的BP神经网络.MATLAB仿真表明,此控制策略控制精度高,可靠性高.     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

改进的PSO算法及其在证券组合投资中的应用

粒子群优化算法(PSO)作为一种进化计算技术,已经广泛运用到了各个行业领域中。基于不同应用领域的具体要求,人们也针对不同的技术特点对PSO进行了改进。针对PSO算法在证券组合投资中的应用要求,提出一种改进的PSO算法,并通过上海证券交易所的实际数据进行计算机模拟,证实该算法在实际证券组合投资中的实用性。     

基于PSO算法的BP神经网络在边坡稳定性评价中的应用

传统的用于边坡稳定性分析的方法较多,但计算过程复杂,计算量大。采用粒子群优化（PSO）算法优化神经网络的连接权值和阂值,可以克服存在的缺陷,减少迭代次数,具有良好的泛化性能,在边坡稳定性评价上具有一定的应用价值。     

结合遗传算法的粒子群算法改进与应用

标准粒子群算法（PSO）容易陷入局部最优解,导致收敛速度慢、效率低．文章结合遗传算法提出了改进的组合粒子群算法,在每次迭代后应用随机函数随机选择下一次迭代所使用的变异策略或交叉策略．由测试数据表明组合粒子群算法在求解TSP时性能上有很大提高．     

SVM在手写数字识别中的应用

将SVM应用于手写数字的识别,即将采集、预处理后的样本图像的各个像素点直接作为SVM的输入进行训练,通过交叉验证得到最佳参数,取得了较高的识别率.通过与BP神经网络的实验对比表明了在小样本、高维度的应用环境中,SVM具有训练简单、识别率高的特点.     

基于动态权值的PSO算法的多传感器数据融合

针对标准粒子群算法的缺点,在原有算法的基础上,提出一种动态权值的粒子群优化算法,使得粒子在迭代过程中惯性权值随粒子进化度和聚合度的变化而改变,并将其尝试性的运用到数据融合领域．实验结果表明,改进的PSO算法能近似最优地确定数据融合中各权值因子,使融合在信息源的可靠性、信息的冗余度／互补度以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合．     

一种基于支持向量机的垃圾邮件识别方法

Internet的迅速发展,电子邮件的应用变得十分广泛,但是许多无用、有害信息随之而来。通过对"垃圾邮件"的分析、处理,讨论了一种基于支持向量机的垃圾邮件识别方法,并进行了实验,实验结果表明支持向量机对垃圾邮件的识别是有效的。     

基于概率神经网络的SF6电气设备故障诊断

SF6电气设备存在放电故障时,内部的sF6气体会分解成诸多衍生物,对设备的安全运行造成隐患．因此,通过SF6衍生物的状态可以推断设备的放电故障．在已有实验数据的基础上,将SF6衍生物的状态作为神经网络的输入,放电故障作为神经网络的输出,构建了基于概率神经网络的SF6电气设备故障诊断模型．实验表明,构建的模型对放电故障的预测达到88．23％,并与BP神经网络模型的预测结果进行了比较,证实了在SF6电气设备故障诊断的研究中,概率神经网络要优于BP神经网络．     

基于SVM算法的客户诚信度评价模型的研究

针对目前大量的商业活动中对客户诚信度评价方法的欠缺,提出了一种新型的预测模型,即将高斯核函数同SVM算法相结合,在非线性多维特征解空间的环境下,也可做到较为准确的评估．通过实践验证,同以往的预测模型相比较,该算法不论在预测准确性以及泛化能力上都有更为突出的表现．