基于优化SVM模型的网络负面信息分类方法研究

提出一种基于优化SVM模型的网络负面信息分类方法.该方法根据SVM建立的网络负面信息分类模型,针对模型中相关参数难以确定的问题,利用人工鱼群算法对SVM进行优化,利用优化的SVM模型对网络负面信息进行分类,实现对网络负面信息分类.实验结果表明,利用改进算法进行网络负面信息分类,能够提高网络负面信息分类的准确性和实时性,效果令人满意.

基于SVM-PSO的羰基还原酶产酶条件优化

构建优化模型对羰基还原酶的产酶培养条件进行优化,获得较优的发酵产酶条件。通过Plackett-Burman设计筛选出羰基还原酶产酶培养条件的4个显著影响因子;设计正交试验进一步探究显著影响因子对羰基还原酶产酶的影响;以正交试验结果为样本数据,采用支持向量机(SVM)模型对正交试验结果进行拟合回归;构建SVM-PSO优化模型对拟合函数进行全局寻优,寻优结果即为羰基还原酶较优产酶条件。实验结果表明在预测的最优产酶条件下培养菌体,羰基还原酶酶活达到299.19 U/L,比优化前提高了16.81%,证明构建的SVMPSO模型对于产酶条件优化问题有较好处理能力。

基于自然驾驶数据的驾驶换道风格分析与辨识

为了研究在换道工况下个体驾驶行为及其辨识,基于NGSIM轨迹数据提取532组换道有效数据。分析处理驾驶员换道特征参数,运用K-means算法对驾驶员进行聚类分析,可分为谨慎型、一般型、激进型三类。并对聚类的参数进行统计分析和时频分析验证各类驾驶人的差异性,并提取出有效参数作为辨识模型的输入,基于惯性权重非线性变化和粒子最大速度非线性递减的策略来改进粒子群,建立起基于改进粒子群优化SVM的驾驶人风格辨识模型,对SVM模型的两个关键参数C和g进行优化更新,驾驶人识别准确率可达到96.25%,且与BP神经网络、PSO-SVM、随机森林、KNN算法相比具有更高的识别准确率。