融合PCA与混沌自适应遗传算法的图像识别

针对图像特征识别转为特征选择优化的问题,提出主成分分析与混沌自适应遗传算法结合的图像目标识别算法。首先通过PCA将图像特征线性组合转变为低维空间几个综合变量;同时改进遗传算法,利用混沌Tent模型生成均匀分布的初始种群、种群交叉及变异概率与种群适应度结合自适应变化,利用类内类间距与特征相关性重新构造适应度函数,采用精英保留策略进行子代选择,得到最优特征子集;最后利用概率神经网络与支持向量机分类器进行训练,识别测试图像。仿真实验表明,PCA与混沌自适应遗传算法结合能降低特征空间维数,使识别性能得到较好提升。     

基于GAPSO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类准确率低的问题,提出一种利用遗传算法结合粒子群算法优化支持向量机分类器的故障诊断方法.实验通过提取滚动轴承不同故障状态下的振动信号,以转化成时域和频域组成的特征集为特征向量,利用粒子群生成二维粒子,即惩罚因子C、核函数参数G,并喂入支持向量机进行训练和交叉验证,取最优适应度对应的粒子,进而构建遗传粒...     

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。     

基于多宽度高斯核的支持向量机特征选取算法研究

支持向量机（SVM）作为一种机器学习分类算法应用广泛,但在处理高维度数据集时往往会由于特征维数较多遇到算法分类速度慢且容易陷入局部最优等问题。为了提高支持向量机的性能,提出一种基于多宽度高斯核（GKMW）的支持向量机特征选取算法FSG。FSG算法将泛化能力更强的多宽度高斯核函数引入支持向量机中代替传统的高斯核函数,利用多宽度高斯核函数能体现各个特征对分类贡献程度不同且能区分样本中各个特征重要性的特点,以多宽度高斯核函数的参数优化结果为基础进行特征选取。利用特征选取后的特征子集在多组标准UCI数据集上分类实验,实验结果表明所提算法性能优于有代表性的特征选取法。     

基于遗传算法寻优的多核支持向量机故障诊断系统

针对传统的单核SVM已经无法满足多个不同数据源的复杂问题,提出了支持向量机多核学习的改进方法.多核支持向量机的学习能力、泛化能力、决策能力在很大程度上取决于参数的选择以及多核权值系数的优化.对此,本文使用遗传算法对多核权值系数寻优,设计多核支持向量机故障诊断系统,此系统在某型飞机的垂直陀螺故障诊断中进行了验证,验证分别利用单核支持向量机和多核支持向量机分类精度对比,结果表明遗传算法寻优得到的权值系数使多核支持向量机分类精度明显提高.     

基于粒子群算法的双子支持向量机研究

针对标准支持向量机训练时间过长与参数选择无指导性问题,给出一种通过粒子群优化双支持向量机模型参数的方法。与标准支持向量机不同,该方法的时间复杂度更小,特别适合不均衡的数据样本分类问题,对求解大规模的数据分类问题有很大优势。将该算法与标准的支持向量机分类器在不同的文本数据集上进行仿真实验对比,以验证算法的有效性。结果表明基于粒子群优化的双子支持向量机分类器的分类结果高于标准支持向量机分类结果。     

基于自适应约简相关向量机的光照色度估计

提出了一种新的自适应约简相关向量机回归算法来估计图像的光照色度以达到色彩一致性目的.在稀疏贝叶斯学习的框架下,该算法首先以多核形式自适应结合全局核函数和局部核函数扩展相关向量机,然后应用改进的保局投影来约简多核输入矩阵的列维数以减少训练时间.为了估计光照色度,通过图像色度直方图的模糊中心值和其相应光源值训练算法.基于真实图像的实验表明所提算法优于支持向量机和相关向量机且其训练时间小于相关向量机.     

基于GA-SVM的图像分割方法研究

支持向量机作为一种分类算法,虽然具有避免局部最优解、鲁棒性好等优点,但由于核函数、参数的选择等问题经常导致分割结果不理想。针对以上问题,将遗传算法（GA）和支持向量机（SVM）结合,通过遗传算法选取最优参数训练支持向量机模型,使用训练好的模型分割图像。实验结果表明,采用该算法能够得到理想的分割结果。     

基于粒子群优化算法的LS-SVM字符识别模型

提出一种基于粒子群优化算法优化相关参数的最小二乘支持向量机(LS-SVM)的字符识别模型.利用相关的字符数据,分别使用本方法和基于网格搜索的最小二乘支持向量机方法进行识别.仿真结果表明,该方法的精确度高于其它两种方法.     

一种基于支持向量机的场景标注方法

针对复杂场景中难以标注对象轮廓的问题，提出一种基于支持向量机的场景标注方法。首先采用结构森林法生成边缘概率，再运用分水岭算法将边缘概率转化成初始图像块。为避免过分分割,减少训练开支，利用UCM算法并选取适当的阈值提高图像块对轮廓的精确度，最后通过支持向量机训练分割的图像块进行场景标注。实验表明，在处理复杂的户外场景标注时，基于支持向量机的场景标注方法在像素精确度上表现良好，在对象轮廓上标注效果较好。     

改进粒子群优化算法下的视频目标跟踪方法

提出一种基于改进的粒子群优化算法的视频目标跟踪方法,对视频目标跟踪问题模型进行分析设计,建立一种视频目标跟踪的四维参数模型,针对该模型使用粒子群优化算法寻求最优解。分析视频目标跟踪场景的特性,使用模式匹配相关系数作为粒子群算法的适应度估计函数,同时引入动态调整粒子群算法的惯性权重参数的改进方法,避免传统粒子群算法过早收敛,陷入局部最优的问题。实验测试表明该算法相较于传统算法,在视频目标的跟踪上具有更佳的检测精确度和跟踪稳定性。     

基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。     

基于改进SVM的网页过滤系统研究

〖HJ*3/8〗对比分析了几种常见的网络文本分类方法。其中,支持向量机具有较高的分类准确率。提出支持向量机改进算法,将多项式核函数和径向基核函数加权组合成混合核函数。该核函数克服了支持向量机中单个核函数的局限性,可兼顾算法的学习能力和泛化能力。对建立的网页过滤模型进行仿真实验,证明改进的SVM网页过滤模型能提高过滤的准确率和效率。     

基于优化支持向量机的高校教师绩效评价研究

为了提高高校教师的绩效评价效果,本文提出一种基于优化支持向量机的高校教师绩效分类方法.采用支持向量机的非线性逼近能力描述绩效等级与影响因子间的复杂关系,同时利用改进的遗传算法对支持向量机参数进行优化处理,进而提高绩效识别分类精度.实验结果表明,与经典支持向量机和神经网络相比,该模型具有更好的泛化性能,能够明显提高高校教师绩效的评价效果.     

基于改进粒子群优化LSSVM的飞机发动机故障诊断

针对以往飞机发动机故障诊断方法由于故障样本少而导致的诊断精度低,提出了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的飞机发动机故障诊断方法。首先,给出了基于LSSVM对飞机发动机进行故障诊断的模型;然后,为了提高LSSVM的诊断性能,采用改进的粒子群算法对LSSVM的参数进行训练,并定义了最终基于改进粒子群优化SVM的具体诊断算法;最后,通过飞机发动机故障诊断实例仿真实验证明了文中方法能正确地实现故障分类,具有较高的故障诊断精度,且与其他方法相比,具有较优的适应度和较快的收敛速度。     

基于改进的K近邻算法支持向量分类研究

传统的支持向量机分类算法在优化过程中对所有支持向量都进行优化,增加了计算量,降低了训练效率.针对上述缺点,在分析样本模糊隶属关系的基础上,采用改进的K近邻算法为已知样本分配隶属度,根据训练样本的隶属关系,剔除非支持向量,减少训练样本,并将其用于中文网页的分类中,得到了较好的分类效果.仿真实验结果表明,改进后的方法不仅相对简单,而且在保证分类器性能的情况下,能有效地减少支持向量机的训练样本数,从而提高支持向量机的训练和测试速度.     

基于改进支持向量机的行为分类研究

针对智能监控中行人行为难于识别的问题,提出了一种基于改进支持向量机的行人行为分类的解决方法.针对背景建模和前景提取精确度的难题,把视频中有活动的部分表示成一组时空兴趣点;针对行动方式具有无固定方式和模糊特点的问题,先采用模糊聚类求每类行为样本聚类中心,再加入决策树思想,构建一种支持向量机决策树多值分离器进行行为分类.在国际上通用行为KTH数据库进行了实验,获得较高的识别率.     

基于全局-局部特征提取算法的信号分类系统（英文）

为了提高信号分类的准确度,提出了一种基于连续小波变换和全局-局部特征提取的信号分类算法.首先,对信号进行小波变换,生成时域-频域系数矩阵.然后,提出了一种全局-局部特征提取算法,该算法可以有效地提取时域-频域系数矩阵的特征信息.最后,使用支持向量机分析方法提取到的特征信息,输出分类结果.仿真结果表明,在信噪比为-3 dB的高斯白噪声环境下,所提出的信号分类算法对EBPSK信号分类的误码率为1.3×10~(-5),该误码率比基于支持向量机的信号分类算法低24倍,同时,使用全局-局部特征提取算法的误码率比仅使用全局特征提取算法低13倍,比仅使用局部特征提取算法低24倍.     

基于改进混沌PSO的多相机组网优化研究

多相机组网网络设计具有多参数、多约束、运算量大等特点,在理论上是一个复杂的优化策略问题,寻找其绝对精确的最优解通常需要很大的运算量,因此在实现时必须考虑算法效能。利用基于粗糙集的启发式属性约简算法获得特征属性的约简,在此基础上利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度,采用混沌粒子群优化（PSO）算法以避免SVM预测模型的局部优化。最后通过实验对粒子群优化（PSO）算法、改进的PSO（IPSO）算法与混沌PSO（CPSO）算法性能进行比较,分析结果表明,相比于其它方法,该方法在收敛速度以及防止局部寻优等性能方面有较大提高。     

免疫遗传优化支持向量机回归在混沌时间序列预测上的应用

在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列.算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化.免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值.对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度.