基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

改进粒子群算法优化支持向量机的螺旋CT电气故障诊断研究

文章研究改进粒子群算法优化支持向量机螺旋CT电气故障诊断方法,提高螺旋CT电气故障诊断精度与诊断效率,以满足实际螺旋CT电气故障诊断工作需要。采用最小支持向量机通过非线性函数变换,将多输入单输出的螺旋CT电气故障诊断最优解的求解转换为高维空间最优分类面的求解,实现螺旋CT电气故障诊断;采用改进粒子群算法与交叉验证原理优化最小二乘支持向量机的核函数,提高最小二乘支持向量机算法泛化能力,避免核函数状态影响螺旋CT电气故障诊断精度。实验结果表明:该方法的螺旋CT电气故障诊断结果与实际故障类型几乎一致,核函数优化后螺旋CT电气故障诊断分类准确率高达90%,可提升螺旋CT电气故障诊断的效率。

基于粒子群算法优化支持向量机的视频火焰检测

为提高火焰检测精度,该文提出了一种基于粒子群算法优化支持向量机的视频火焰检测方法。利用背景减除法对视频图像进行处理,得到原始图像的二值化图,通过提取二值化图的图像特征确定火焰检测模型的支持向量。采用PSO算法优化SVM的惩罚系数和核系数,建立了基于PSO-SVM的视频火焰检测模型,仿真分析结果表明,该文所提出的火焰检测方法的检测精度和检测时间分别为97.31%和31.94s,检测结果明显优于SVM和GA-BP算法,验证了该文所提方法的正确性和实用性。

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。

基于粒子群算法优化支持向量机的铝热连轧机轧制力预报

为了提高热轧带材的轧制力预报精度，提出了粒子群算法和支持向量机结合的方法来预报轧制力。根据轧制原理用支持向量机建立轧制力预报的模型，通过粒子群算法优化支持向量机参数来提高预报精度。为了进一步提高轧制力预报精度，还提出了支持向量机网络与数学模型相结合的方法，对某“1＋4”铝热连轧厂现场采集的5052铝合金轧制数据进行离线仿真，仿真结果可以看出支持向量机网络与数学模型结合的方法预报轧制力，提高了轧制力预报速度并使其轧制力预报精度控制在7％以内。

鲶鱼粒子群算法优化支持向量机的短期负荷预测

为了准确、有效地预测短期负荷,提出了一种鲶鱼粒子群算法优化支持向量机的短期负荷预测模型(BFPSO-SVM)。基于混沌理论对短期负荷时间序列进行相空间重构;将支持向量机参数的组合看作一个粒子位置串,通过粒子间互作找到最优支持向量机参数,并引入"鲶鱼效应",克服基本粒子群算法的缺点;根据最优参数建立短期负荷预测模型,并对模型性能进行仿真测试。仿真结果表明,相对于其他预测模型,BFPSO-SVM不仅加快了支持向量机参数寻优速度,而且提高了短期负荷预测精度,更适用于短期负荷预测的需要。

基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报

针对连铸漏钢预报神经网络模型在小样本训练数据情况下难以获得较高预报准确率的问题,提出了一种基于模拟退火-粒子群(SA-PSO)算法优化支持向量机(SVM)参数的连铸漏钢预报算法。将粒子群优化算法引入支持向量机的训练过程中,利用其调整参数少、寻优速度快的优点,有效地提高了漏钢预报模型的寻优速度;利用模拟退火算法对粒子群算法迭代更新后粒子的新位置加以评价,来决定新位置是否被接受,避免了粒子群算法在迭代寻优过程中陷入局部极值的问题。结合某钢厂连铸现场历史数据对提出的连铸漏钢预报算法进行了测试,测试结果表明,所提算法的连铸漏钢预报准确率可达98.8%。

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.

一种新的粒子群算法优化支持向量机的短期负荷预测

通过研究电力负荷预测中支持向量机的参数优化问题,将改进后新的粒子群算法导入支持向量机参数中,从而建立一种新的电力负荷预测模型(IPSO-SVM)。首先将支持向量机参数编码为粒子初始位置向量,然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数,并针对标准粒子群算法的缺陷进行一定的改进,从而应用于电力负荷的建模与预测,最后通过仿真对比实验来测试它的性能。实验结果表明,这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果,大大减少了训练时间,能够满足电力负荷在线预测要求。

基于粒子群算法优化支持向量机汽车故障诊断研究

汽车故障检测和诊断技术一直是国内外研究热点问题。支持向量机用于汽车故障诊断时,其多分类组合决策对分类正确率及诊断时间有很大影响,为了有效提高汽车系统故障诊断的效率和精度,提出了一种基于粒子群算法优化层次支持向量机汽车故障诊断检测方法。针对分解支持向量机具有测试时间短、结构难以确定的特点,利用粒子群算法,依据最大间隔距离原则优化层次支持向量机模型,使每个节点的支持向量机具有最大分类间隔,减少了误差积累,从而优化了多级二叉树结构的SVM,实现故障的分级诊断。仿真实验结果表明,提出的算法在所有参比模型中精度最高,能高效地对汽车系统的故障进行检测与定位,具有较强的泛化能力,同时缩短了故障诊断时间。

改进粒子群算法优化支持向量机的入侵检测方法

针对传统支持向量机(support vector machine,SVM)算法应用于入侵检测中存在参数选取的问题,文章提出了一种改进粒子群算法(improved particle swarm optimization,IPSO)和SVM相融合的网络入侵检测方法,即IPSO-SVM。将SVM的惩罚参数 C和核函数参数σ作为粒子群的粒子,以 K 倍交叉验证的准确率作为目标函数,通过粒子间的相互协作得到最优的SVM参数,利用KDD Cup 99数据集进行仿真测试。仿真结果表明,与其他算法相比,IPSO-SVM算法的检测时间更短,检测准确率更高,是一种有效的入侵检测算法。

粒子群算法优化支持向量机的网络流量混沌预测

针对传统网络流量预测方法存在预测平均绝对误差较大的问题,提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。采用粒子群算法对支持向量机方法进行优化,利用优化后的支持向量机方法对网络流量进行混沌预测,预测结果表明,采用改进预测方法时,其预测的平均绝对误差值相比FCM-LSSVM网络流量预测方法、Morlet-SVR和ARIMA组合预测方法分别降低了65.3%,34.3%,具有一定的优势。

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法。采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛。充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析。分析结果表明,该预测模型可将预测的均方根误差降低约40%,绝对值误差降低约42%,相对误差降低约46%,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果。

一种粒子群算法优化支持向量机的汽车故障诊断方法研究

由于现代汽车技术的快速发展,使汽车整体性及可拆分性更苛刻,汽车故障诊断比较复杂且困难。提出依托粒子群算法优化层次支持向量机的故障诊断方法,这种方法故障测试时间较短,精确度更高。依托最大间隔距离原则对支持向量机模型进行优化处理,确保各节点的支持向量机具备最大分隔距离,从而减少误差累计,大大优化二叉树结构。通过桑塔纳汽车故障测试实例可知,研究提出的算法具有较高的精度,可以快速、高效率完成汽车故障检测及定位,泛化能力非常强,是一种值得推广使用的汽车故障诊断方法。

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法(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。

蚁群和粒子群算法优化支持向量机的公交行程时间预测

为精确预测公交行程时间,提出了基于蚁群和粒子群(ACO+PSO)优化最小二乘支持向量机(LS-SVM)的预测方法。算法通过对LS-SVM的高斯核参数σ和正则化参数C进行搜索寻优,获得更为精确的LS-SVM,建立了ACO和PSO优化LS-SVM的公交行程时间预测模型,根据历史数据进行实例分析,并与LS-SSVM及BP神经网络进行比较。实验表明,ACO+PSO模型的预测精度高、鲁棒性及泛化能力强。

粒子群算法优化支持向量机的建筑施工项目风险评估

为了提高建筑施工项目风险评估的准确性,建立建筑施工项目风险评估指标体系,并对最佳惩戒参数和核函数因子进行优化,采用粒子群算法优化支持向量机建立了建筑施工项目风险评估模型.采用建筑施工项目风险数据进行了评估测试,结果表明,该模型解决了支持向量机参数优化的问题,可以获得理想的建筑施工项目风险评估结果.

基于主成分分析和粒子群算法优化支持向量机的冻融土壤蒸发预报模型

在季节性冻融期,影响土壤蒸发的因素颇为复杂,准确估算冻融土壤蒸发量对土壤水资源的高效利用具有重要意义。根据2017-2018年冻融期大田试验数据,选取太阳辐射(x1),日平均气温(x2),地表土壤温度(x3),地表土壤含水率(x4),风速(x5),气压(x6),相对湿度(x7),降水量(x8),水面蒸发量(x9)等9个影响冻融土壤蒸发的因素,采用主成分分析法和粒子群算法优化的支持向量机建立了冻融土壤蒸发量的预报模型。结果表明:所建立的基于主成分分析和粒子群算法优化支持向量机的冻融土壤蒸发预报模型,预测值和实测值的决定系数达0.9513,平均相对误差为9.8704%,可较好地用于冻融土壤蒸发量的预报。