基于禁忌蝙蝠算法的支持向量机特征选择和参数优化

支持向量机是一种有良好发展前景的学习机器。针对支持向量机训练过程中特征选择和参数优化的问题,提出一种基于蝙蝠算法和禁忌搜索算法相结合的算法的支持向量机特征选择和参数优化算法。将禁忌搜索算法理论引入蝙蝠算法中,可以有效提高BA算法的收敛速度和精度,得到更优的支持向量机模型。UCI标准数据集的分类实验结果表明,与基本的网格搜索,遗传算法等比较,TSBA算法可以获得更高的分类准确率和更好的稳定性。     

蚁群算法优化特征子集和识别器参数的车牌自动识别

为了提高车牌自动识别的正确率,提出一种基于蚁群算法优化特征子集和识别器参数的车牌自动识别模型。首先提取车牌轮廓、笔画和灰度特征,然后利用蚁群算法选择最优特征子集,最后采用支持向量机建立车牌自动分类器。仿真结果表明,该模型能够有效特征集中的消冗余和无用特征,快速找到最优车牌特征子集,提高了车牌自动识别正确率和效率,是一种可靠、有效的车牌自动识别方法。     

基于卷积神经网络的SVM分类算法在图像分类中的应用

利用卷积神经网络强大的自学能力,训练合适的CNN来提取图像特征信息,利用RBF函数作为支持向量机的核函数,并结合粒子群算法优化SVM参数,完成图像分类的混合算法。针对乳腺组织的病理图像分类性能的实验分析,给出了混合分类算法的优越性。     

基于GEP的特征选择

特征选择是机器学习领域的重要问题,许多学习算法的性能受到无关或冗余特征的负面影响,且数据挖掘的发展对大规模数据处理的研究提出了迫切的要求。针对这一要求,文章提出了基于GEP的特征选择选择方法,该方法相对遗传算法不易早熟、且收敛较快。实验表明该方法在特征选择方面取得了较好的效果。     

基于特征选择和支持向量机的入侵检测方法

为去除网络入侵数据集中的冗余和噪声特征,降低数据处理难度和提高检测性能,提出一种基于特征选择和支持向量机的入侵检测方法。该方法采用提出的特征选择算法选取最优特征组合,并以支持向量机为分类器建立模型,应用于入侵检测系统。仿真结果表明,本文方法不仅可以减少特征维数,降低训练和测试时间,还能提高入侵检测的分类准确率。     

供应链销售管理PSO算法的分布式优化

针对传统粒子群算法在供应链销售管理的应用中表现出收敛性不佳的问题,本文提出了一种基于分布式优化粒子群算法的供应链销售管理模型,首先将免疫算法中繁殖策略与基本粒子群算法相结合,保持种群的多样性,然后引入变异操作并结合神经网络中的Sigmoid型函数对粒子群算法的特征子集进行了优化,最后采用最优化学习策略在算法陷入局部最优时跳出来。仿真试验结果表明,本文提出基于分布式优化粒子群算法的供应链销售管理模型,在收敛性能上远远优于标准粒子群算法。     

基于SVM的验证码识别算法研究

验证码是为了加强互联网系统安全,而引入的区别机器与人的标准技术。目前大部分的网站都引入了验证码机制来加强网络的安全验证。常见的验证码是基于字母和数字的文本验证码机制,且字符存在背景干扰、随机噪声、扭曲、变形、粘连等特点,增大了验证码识别的难度。本文主要研究基于SVM识别算法的验证码识别技术,从原理、实验来论证识别算法具有较高的识别率。     

基于改进PSO算法的电力系统无功优化

无功优化的目的在于确定系统中无功的合理配置,针对传统粒子群算法的不足,提出一种改进的小生境粒子群优化算法:借助于问题的局部极值点信息,对原目标函数进行"拉伸"变换,达到优化计算、缩小目标函数极值范围和降低搜索难度的目的.针对IEEE-6节点标准系统进行了仿真结果表明,所提算法不仅收敛速度更快,且具备更强的全局搜索能力.     

基于粒子群优化SVR的用电量预测

针对用电量数据非线性的特点提出一种基于粒子群优化的PSO-CV-SVR模型。该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数。将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度。     

基于稀疏距离入侵特征表达的信息安全检测算法

针对信息安全检测中的检测精度低的问题,提出了基于稀疏距离入侵特征表达的信息安全检测算法。在该算法中,引入稀疏表达对完备词典进行编码,使得学习的稀疏系数可以具有较好的重构特征;其次利用K-SVD算法和支持向量机进行样本分类训练,使得稀疏特征为样本输入;最后利用粒子群算法对多维测试数据进行粒子映射,在满足适应度函数的条件下进行分类迭代寻优。实验表明,该算法具有较好的检测率。     

基于鱼群的PSO粒子滤波算法

粒子群优化(PSO)粒子滤波算法比较而言,容易陷入局部最优,因此算法的准确度就会降低。本文在解决该问题时引入了一种基于鱼群的PSO粒子滤波算法。此算法是通过鱼群优化在采样过程中找到全局最优的相对位置,使其能够向全局最优的位置逐渐接近,同时提高估计有效的粒子数目,从而能够更有效的减少粒子退化与枯竭问题。实验表明,此算法与PSO粒子滤波算法相比,在估计准确度方面有了较大的提升。     

基于WS小世界网络拓扑特性的自组织PSO算法

提出了一种自组织粒子群优化算法SOPSO。算法融合了WS小世界网络模型的拓扑特性和信息传递特征,将粒子种群优化过程划分为种群拓扑结构自组织构造和粒子间合作优化两个相互促进的部分,其中前者采用WS小世界模型对种群拓扑结构进行自组织构造,后者基于所产生的拓扑结构进行合作优化。描述了算法的总体流程和各个关键环节。采用高维复杂函数对SOPSO和传统粒子群优化算法进行了对比实验。实验结果证明SOPSO的学习策略赋予了粒子种群更广泛的多样性和更强的逃离局部最优能力,从而在优化成功率以及优化质量上均优于传统粒子群优化算法。     

基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测方法

本文对霍尔辛赫矿安全监测系统的瓦斯浓度时间序列利用软阈值小波去噪法进行去噪;分析支持向量机不敏感损失参数ε和RBF核函数参数。基于粒子群算法对支持向量机瓦斯浓度模型进行优化,结合最优参数对进行ε-SVR模型预测,对预测误差进行分析,并将训练样本的大小对预测精度的影响做出了比较。     

SVM增量学习算法研究

支持向量机（support vector machine）是一种建立在结构风险最小化原则基础上的全新机器学习方法,具有很强的学习能力和泛化性能,能够较好地解决小样本、高维数、非线性、局部极小等实际问题。虽然支持向量机较其它学习方法在很多方面都具有难以比拟的优越性,但是作为一种新型的技术,支持向量机目前仍然具有一些局限性,尤其是它在支持增量式学习方面还不够好,所以对向量机进行增量学习有着一定的必要性。一方面,由于使用者在训练初期对问题理解的局限性以及问题的高度复杂性,一般很难精确地定义所要的完整的训练集;另一方面,要在初期就收集一个非常完整的训练集是非常困难甚至是难以实现的。本文基于以上的思想对支持向量机增量学习进行研究,通过对原有算法的研究找到一个新的支持向量机增量学习算法。     

基于样本抽取的优化SMO算法研究

文章介绍了支持向量机各种训练算法,在对SMO算法进行深入分析的基础上,提出基于样本抽取的优化SMO算法,较好地解决了训练过程中子问题的求解复杂度和迭代次数及效率之间的矛盾。实验表明,优化SMO算法大大的提高了SVM的训练速度。     

基于遗传优化SVM文本图像识别算法研究

提出一采用遗传优化支持向量机的文本图像识别方法.改进的思路为首先采用图像采集设备获得图像,并进行预处理,然后提取字符的特征向量,采用主成分分析对特征向量进行降维处理,最后采用遗传优化的支持向量机进行字符识别.实验结果表明,提出的方法使得文本图像识率达到97％以上.     

基于Alopex改进的粒子群优化算法

粒子群算法是一种进化计算技术,但容易陷入局部极小点.提出了一种利用Alopex算法改进的粒子群优化算法,改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题.     

基于遗传算法的同步优化方法在财务困境预警中的应用

传统的基于统计技术的变量筛选法不能保证财务困境预警模型的精度.本文提出了用遗传算法同时优化输入变量和支持向量机参数的方法.实证研究表明:该同步方法在降低变量维数的同时得到较好的预测精度,其得到的优化变量集也具有较强的经济含义.     

基于粒子群算法的物流配送路径优化问题研究

本论文在建立物流配送路径优化问题的数学模型基础上,构造了求解该问题的粒子群优化算法。并通过实验数据进行计算,结果表明可以有效地求得问题的最优解,是解决路径问题的一个好方法。     

使用粒子群优化算法学习聚类算法的参数

无导师聚类过程中将数据集合分割成几个类是一个很难确定的问题,目前还没有较好的解决方法。文章使用粒子群优化算法应用于无导师聚类算法——K-均值的参数学习,实现了使用粒子群优化算法进行聚类中心参数的确定,旨在提供一种选择中心参数个数的方法,同时给出了适应于聚类参数学习的粒子群fitness函数算法设计。通过对UCI机器学习数据库中的7个数据库进行实验,证实此方法是比较有效的。