圆度误差的网格搜索算法

本文提出了一种新的圆度误差评定方法—网格搜索算法,详细论述了该算法求解圆度误差的原理和步骤。该算法不采用最优化及线性化方法,其原理是在最小二乘圆心周围按一定规则布置一系列的网格点,依次以各网格点为理想圆心计算所有测点的半径值,按照圆度误差的定义即可获得相应评定方法(最小区域圆法、最小外接圆法和最大内接圆法)的圆度误差值。试验及仿真结果表明,网格搜索算法可以有效、正确地评定圆度误差。

球度误差的网格搜索算法

结合几何形状误差的定义及球度误差的几何特征,提出了一种球度误差评定的几何算法——网格搜索算法。以最小二乘球心为初始参考点,按一定的规则布置一系列的网格点,依次以各网格点为假定理想球心计算所有测量点的半径值,通过比较、判断获得相应评定方法(最小外接球法、最大内接球法和最小区域球法)的球度误差值。阐述了球度误差网格搜索算法原理和实现过程。实例结果表明,该算法可以有效、正确地评定球度误差。

圆柱度误差的网格搜索算法

提出了一种评定圆柱度误差的新算法——网格搜索算法。该算法不采用最优化及线性化方法,只需重复调用点至直线的距离公式和简单的的判断就可以得到符合定义的4种评定方法的圆柱度误差值。详细论述了该算法求解圆柱度误差的原理和步骤。仿真结果表明,网格搜索算法可以有效、正确地评定圆柱度误差。

基于网格搜索算法的空间直线度误差评定方法

对空间直线度误差的评定算法进行了讨论,提出了一种评定空间直线度误差的网格搜索算法,该算法可获得符合定义的理想中心线的位置.文中详细论述了网格搜索算法求解空间直线度误差的过程和步骤,并进行了全仿真.仿真结果表明,网格搜索算法可以有效、正确地评定空间直线度误差.

基于网格搜索算法的圆锥度误差计算

针对圆锥度误差评定中寻找理想圆锥轴线问题,提出了网格搜索算法,并建立了圆锥度误差数学模型。该算法是在圆锥初始、终止截面的最小二乘圆心周围,布置一定边长的正方形并以此划分网格点,将两截面的网格点两两连线作为理论圆锥轴线,计算最小区域圆锥度误差。论述了采用网格搜索算法求解圆锥度误差的原理和步骤。实例表明,网格搜索算法可以有效、正确地评定圆锥度误差。

基于近似Hessian矩阵的修正网格自适应直接搜索算法

针对网格自适应直接搜索算法寻优效率低和收敛速度慢的问题,提出了一种基于近似Hessian矩阵的修正网格自适应直接搜索算法。基于正交三角分解,提出一种产生探测方向集的算法,用于构建搜索步目标函数的二次模型函数和约束函数的线性模型函数。运用泰勒展开式、秩一校正及线性回归的思想,并改变部分参数解决子问题,得到局部最优解。在探测步中,以试验点为中心按照新的探测方向集进行局部搜索,在理论上证明了新算法的收敛性。通过对不同维数的测试函数分析可知,与原始的网格自适应直接搜索算法相比,该算法的迭代次数明显减少。

无线传感器网络节点网格搜索定位

节点定位是无线传感器网络关键技术之一;首先,根据信号传播模型-对数正态阴影衰落模型,确定基于接收信号强度的最大似然目标函数。因为无法通过求导的方法求出目标方程的解析解,所以这里采用网格搜索的方法,来确定节点的最优坐标;在考虑如何进行网格搜索时,借鉴图像压缩算法中的三步搜索算法、共轭搜索算法等,来确定待测试点的坐标;当待测坐标中使目标函数值达到最大时,该点即为未知节点的最优坐标;本文仿真了上述算法,与现有的一些定位算法相比:复杂度低,无需测量节点之间的距离,精度有了10%左右的提高。

基于Boosting算法的C5.0决策树不平衡数据分类算法

为了改进不平衡数据的分类性能,提出一种可自动确定迭代参数trail值的集成C5.0决策树算法.首先,算法引入boosting集成框架到C5.0决策树算法中,从而生成新的集成分类器;其次,算法使用网格搜索法在一定范围内自动确定trail参数的值.实验结果表明,该算法在不平衡数据上的分类性能指标G-mean和MCC上具有优势.

基于网格搜索优化的XGBoost模型的股票预测

本文提出了一种改进的XGBoost股票预测模型GC-XGBoost,并将该模型运用到股票市场进行股票价格短期预测。实验结果表明GC-XGBoost模型在MSE,MAE,R2三个评价指标上优于没有进行参数优化的XGBoost模型,说明GC-XGBoost模型比XGBoost模型提高了预测能力。

基于网格搜索支持向量机的网络钓鱼检测

互联网的普及为社会带来便利的同时,也引发了诸多网络安全问题。其中网络钓鱼在电子金融及在线交易领域造成的威胁不断增长,网络钓鱼检测技术受到广泛关注。本文综合网站URL和Web页面两个方面对钓鱼网站的敏感特征进行分析,将支持向量机应用于特征数据检测,并借助网格搜索算法优化参数,进而提出一种基于网格搜索支持向量机的网络钓鱼检测方法(GS-SVM-Based Phishing)。通过对Phishing Websites数据集的检测及与粒子群算法及遗传算法的对比,证明该方法具有较好的检测精度和泛化能力,能够快速有效地阻止网络钓鱼攻击。

一种SVM训练样本集寻优算法

首先运用Bagging算法解决样本数据变化带来的不稳定性,然后运用网格搜索法寻找合适的训练样本尺寸,再结合两者的特点,提出了一种自助网格搜索算法,从多个支持向量机(SVM)分类器中寻求一个最优的SVM分类器。实验结果表明,算法有效地提高了分类器的学习精度与学习性能,对大样本数据来说,可以用相对较少的样本进行训练后的性能来预测它对一个非常庞大的训练集的性能,大大减少了SVM训练的时间。

基于GPU的SVM参数优化并行算法

为了缩短支持向量机(support vector machine,SVM)参数优化时长,提高SVM参数优化的效率,提出了基于图形处理单元(graphic processing unit,GPU)的SVM参数优化并行算法.分析了基于网格搜索和粒子群优化算法的并行特性,基于GPU设计了该优化算法的并行化方案,并在单GeForce GT 650M GPU卡上进行了试验验证.结果表明,并行化网格搜索和并行化粒子群参数优化算法不仅可以取得与非并行化参数优化算法相同的优化效果,而且执行时间大大减小,其中并行粒子群参数优化算法的加速比可高达26.85,大幅提升了SVM的参数优化效率.

基于极坐标测量的圆度误差评定算法

提出一种利用极坐标测量数据求解圆度误差的网格搜索算法,其原理是在最小二乘圆心周围按一定规则布置一系列的极坐标网格点,依次以各网格点为理想圆心计算所有测点的半径值,通过比较这些半径值,实现最小区域法、最小外接圆法和最大内接圆法的圆度误差精确评定。详细叙述了算法求解圆度误差的过程和步骤,给出了数学计算公式及程序流程图。试验结果表明,该算法可有效、正确地评定圆度误差。

利用智能算法优化支持向量机参数

为了提高算法在实际问题中的应用能力,基于MATLAB仿真实验平台,研究了网格搜索算法、遗传算法和粒子群算法的参数优化方法,对支持向量机的惩罚因子和核函数参数进行优化处理,并利用标准的乳腺癌诊断数据集设计仿真实验。结果表明,利用智能算法优化支持向量机参数得到的分类精度比传统的根据经验选择参数的分类精度有了大幅度提高。

基于垂荡和纵摇运动模型对波浪能最大输出功率的设计

研究波浪能装置最大输出功率的设计,以运动平衡方程和能量输出系统研究为基础理论背景,建立浮子和振子的垂荡、纵摇运动模型和最优阻尼系数模型,确定给定时间下的浮子与振子的垂荡位移及速度和纵摇位移及角速度,并借助模拟退火算法和网格搜索算法分别确定两种情况下给定参数值的最大输出功率及最优阻尼系数.

基于大数据的石油化工建设项目工程造价预测与控制

研究基于大数据的石油化工建设项目工程造价预测与控制,分析石油化工建设项目特点,以此为基础通过最小二乘支持向量机算法构建石油化工建设项目工程造价预测模型,并采用网格搜索算法与交叉验证方法对惩罚因子(C)与核函数宽度(g)进行寻优,提高模型的预测精度。基于预测结果,采用BIM技术与大数据对石油化工建设项目工程造价进行直接与间接的控制。试验表明,该方法能够精准预测石油化工建设项目工程造价。

基于密度裁剪的SVM分类算法

针对SVM中当训练样本数非常多时,分类算法训练阶段的计算量庞大;当训练样本集中存在噪声时,影响训练阶段超平面划分的准确度,导致分类准确率降低等问题,提出了一种基于密度的训练样本裁剪的SVM算法。首先应用密度裁剪算法裁剪掉原始训练样本集中存在的噪声和冗余样本,作为新训练样本集,使用网格搜索算法在新的训练样本集中对SVM参数(C,g)寻优,进行SVM训练并建模,达到分类的目的。实验结果表明,该算法同无样本裁剪的SVM算法相比分类准确率有所提高、训练阶段的时间耗费大大降低。

基于决策树算法的入侵检测研究

目前网络环境日益复杂,传统的入侵检测效率较低,为提高网络入侵检测的效率和准确性,本文提出一种基于决策树算法的入侵检测模型。针对决策树算法准确性高、速度快和可以处理高维数据等特点,采用多种类型的决策树算法对入侵数据特征分析处理,对比效果,最后对网格搜索算法进行改进,提高网格搜索算法优化模型参数的效率。通过实验分析,在模型的精确率、F1值和AUC值等评估指标上都有较好的效果,验证了本文所提方法的有效性。

基于几何建模与仿真模拟的无人机无源定位模型

主要研究无人机纯方位无源定位,建立定位模型和调整方案模型,完成有效定位被动接收信号无人机以及进行纯方位无源定位调整工作.根据建模赛题给出的案例,本文首先采用正弦定理推导出具体定位方案,再采用分步调整法制定无人机编队调整方案,最后为锥形编队制定同心圆结构,并沿用定位、调整方案建立锥形编队的定位模型.利用网格搜索、迭代、仿真模拟等算法求解得到结果,然后结合实际给出结果的合理性、适用性检验说明,最后对小组研究模型进行总结.

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题,提出一种基于相似日聚类的光伏功率预测组合模型。首先,采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集,并利用变分模态分解(VMD)对相似日样本进行分解;其次,采用卷积神经网络优化支持向量机(CNN-SVM)和双向长短时记忆(BiLSTM)神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合,利用网格搜索(GS)算法寻找最优组合权重,提升组合预测模型性能;最后,以澳大利亚某光伏电站1年实测数据为例,验证所提出光伏功率预测模型的有效性。实验结果表明:无论何种天气类型,所提出模型均能很好地对光伏功率实现预测,具有较强的适应性。