基于遗传算法-支持向量机的我国创新型城市评价

本文建立了基于GA-SVM的创新型城市评价模型,首先对评价数据进行了预处理,然后构建创新型城市评价指标体系,并对我国创新型城市进行实证研究。本文的方法避免了建立创新型城市评价模型时,参数选择的随机性。本文还对训练集城市的预测位次与真实位次进行了比较分析,验证检验结果的准确性。最后,分析了创新型城市评价结果并提出建议。

基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型。在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量。最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测。预测精度比单纯用人工神经网络方法有较大提高。

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。

基于遗传算法-支持向量机的铁路货运量预测

铁路货运量预测是铁路运输部门一项重要工作。针对建立精确预测模型的困难,结合支持向量机与遗传算法（GA-SVM）,提出一种铁路货运量预测新方法。利用遗传算法确定支持向量机中的训练参数,以得到优化的支持向量机预测模型,并利用支持向量机在小样本、非线性中优越的预测性能对铁路货运量进行预测。昆明市1991~2005年铁路货运量数据作为实验数据,并采用RBF神经网络与GA-SVM进行对比分析,实验结果表明,GA-SVM预测精确更高,误差更小,可以更有效地对铁路货运量进行预测。

基于遗传算法-支持向量机的建材产品质量预测方法研究

为提高建材装备制造过程中产品的质量,针对建材产品质量控制问题,提出了一种基于遗传算法的支持向量机质量预测模型。该模型采用专门针对小样本数据情况下进行预测分析的支持向量机模型,并为了改进支持向量机模型的预测效果,设计采用遗传算法对预测模型的参数进行搜索寻优,经过实例,验证了该预测模型的可行性和有效性。

基于遗传算法-支持向量机的兔肝VX2肿瘤光谱鉴别

兔肝VX2肿瘤是一种快速生长的肿瘤模型,可以在多种器官如肝、肺、直肠等快速生长,常用于肿瘤研究。采用可见-近红外高光谱技术对四只兔子的兔肝VX2肿瘤和正常组织进行活体和离体的反射光谱检测,然后采用支持向量机分别实现了二分类(正常肝组织和肝VX2肿瘤组织)和四分类(未出血活体正常肝组织、未出血活体VX2肿瘤组织、出血离体正常肝组织和出血离体肝VX2肿瘤组织)。根据其光谱反射曲线的特征,选择了400~1800 nm区间的数据为特征变量。为进一步提高分类准确率,分别采用5折交叉验证和遗传算法对支持向量机的核函数参数g和惩罚因子c进行了优化。其中5折交叉验证优化参数和分类结果为:二分类优化的惩罚参数c为4,核函数参数g为0.1250,其校正集和预测集的准确率都达到了100%;四分类中优化出的参数c为8,g为0.1211,其校正集和预测集的准确率分别达到了99.2424%和93.333%。遗传算法优化参数和结果为:二分类中优化的参数c为0.8456,g为0.0625,其校正集和预测集的准确率同样都达到了100%;四分类中优化的参数c为5.5307,g为0.0685,其校正集和预测集的准确率分别达到了99.2424%和100%。结果显示两种优化方法都取得了很好的效果,遗传算法优化参数对四分类的分类更为精确。为进一步提升算法速度,采用间隔选取变量的方法来不断减少特征变量,最终每隔100 nm谱段选择一个变量,共选择14个谱段作为特征变量。采用遗传算法优化支持向量机参数并对其分类进行了研究,结果表明:二分类和四分类的校正集和预测集结果准确率均为99.2424%,而且运行时间分别为11.4和20.0 s,与选择全波段的运行时间:340.3和491.0 s相比,说明多光谱技术可以进行肝VX2肿瘤组织和正常肝组织的鉴别,且分类准确率可达99%以上,而且运行时间缩短了很多。为未来多光谱技术在未来临床肿瘤诊断中实现肿瘤组织的快速实时在线检测和分类奠定了基础,显示出巨大的应用潜力。

基于遗传算法-支持向量机的滑坡渗透系数反演

求解库岸边坡岩土体的渗透系数是研究滑坡渗流场及多场演化的基础,一般通过原位试验和室内试验求得,但试验成本较高且试验位置具有一定的随机性。本文以三峡库区马家沟滑坡为例,提出一种利用地下水位动态观测资料反演滑坡岩土层渗透系数的方法。具体步骤为:(1)依据滑坡的勘察资料和水位观测数据,构建滑坡数值模型;(2)利用SPSS生成不同渗透系数正交试验组合,并将渗透系数代入数值模型中计算监测井的水位,得到不同渗透系数及其对应的模拟水位数据;(3)应用遗传算法优化的支持向量机构建坡体模拟水位与渗透系数的非线性映射关系,再通过代入实际动态监测水位值求得滑坡岩土层的渗透系数;(4)将求得的渗透系数代入数值模型,用计算的模拟水位与实际观测水位进行对比验证。研究结果表明:遗传算法优化的支持向量机具有良好的学习预测效果,能准确预测渗透系数与水位的关系。该反演方法具有高效、准确的优点,反演结果的精度满足实际应用需要。

基于遗传算法优化最小二乘支持向量机的矿工疲劳程度识别模型

为精准识别矿工疲劳程度,减少因疲劳引发的煤矿人因事故,提出了一种基于遗传算法(GA)优化最小二乘支持向量机(LSSVM)的矿工疲劳程度识别模型。首先,通过疲劳诱发试验采集矿工心电数据,利用Friedman检验优选矿工疲劳程度的特征指标;然后,采用主成分分析法对选取的特征指标进行降维处理,建立表征矿工疲劳程度的特征集;在此基础上,利用遗传算法优化最小二乘支持向量机的关键参数,构建矿工疲劳程度识别模型。结果表明:选取的矿工疲劳程度特征指标能够有效反映矿工的疲劳程度;相较GA-SVM和LSSVM模型,融合GA-LSSVM模型可显著提高矿工疲劳程度的识别准确率(平均识别准确率为96.87%)。构建的矿工疲劳程度识别模型可较为高效地识别矿工的疲劳程度,对煤矿人因事故的防控具有一定的现实指导意义。

增强支持向量机和遗传算法的WSN安全研究

针对开放式WSN连接到互联网上的智能设备数量和多样性迅速增加而导致的入侵检测误报和入侵检测准确性等问题,提出一种基于增强型支持向量机(Enhanced Support Vector Machine,ESVM)分类和遗传算法(Genetic Algorithm,GA)特征选择的智能轻量级物联网入侵检测算法。该算法进行预处理以将入侵数据集的复杂流量转换为SVM的可读格式,采用交叉和变异算子智能选择信息量最大的流量特征以降低无线网络流量的维数,使用ESVM算法执行分类以更有效地识别入侵攻击检测。实现结果表明,该算法在选择最优流量和提高检测精度方面均有明显改善。

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。

采用改进遗传算法优化LS-SVM逆系统的外转子无铁心无轴承永磁同步发电机解耦控制

为了实现外转子无铁心无轴承永磁同步发电机(outer rotor coreless bearingless permanent magnet synchronous generator,ORC-BPMSG)的精确控制,提出一种基于改进遗传算法(improved genetic algorithm,IGA)优化最小二乘支持向量机(least square support vector machine,LS-SVM)逆系统的解耦控制策略。首先,基于ORC-BPMSG的结构及工作原理,推导其数学模型,并分析其可逆性。其次,建立LS-SVM回归方程,并采用IGA优化LS-SVM的性能参数,从而训练得到逆系统。然后,将逆系统与原系统串接,形成伪线性系统,实现了ORC-BPMSG的线性化和解耦。最后,将提出的控制方法与传统LS-SVM逆系统控制方法进行对比仿真和实验。仿真和实验结果表明:所提出的控制策略可以较好地实现ORC-BPMSG输出电压和悬浮力、以及悬浮力之间的解耦控制。

基于遗传算法优化支持向量机模型的套损预测

为快速有效预测油田套管损坏情况,基于实际开发资料分别选取水井和油井的影响因素作为模型训练数据,通过采用遗传算法(GA)进行参数优化的支持向量机(SVM)作为模型,选用大庆油田南三区1 220口油井及648口水井作为数据集,其中80%作为训练集,20%为测试集,最后将GA-SVM模型预测结果和SVM模型、BP神经网络模型预测结果进行对比分析,结果表明,将遗传算法优化后的支持向量机应用到套损预测中可以得到较高的预测精度,在油田套损预测方面具有一定的参考价值。

基于遗传算法优化支持向量机的震级预测模型研究

基于震级与其影响指标之间复杂的非线性关系,引入支持向量机(support vector machine,SVM)实现地震震级的预测,采用主成分分析法(principal component analysis,PCA)降低影响指标集的维度,同时将新生成的主成分作为模型输入,利用遗传算法(genetic algorithm,GA)寻找SVM最优参数,建立了基于PCA-GA-SVM的地震震级预测模型,通过实际测试样本验证了模型性能的可靠性,结果表明:PCA-GA-SVM模型预测结果平均相对误差为2.13%,具有良好的预测效果。

玉米籽粒的特征选择算法--基于支持向量机与遗传算法

在基于数字图像的玉米品种自动识别的研究中,寻找对识别贡献大的新特征项,对玉米品种识别率的提高具有十分重大的意义。把遗传算法和支持向量机算法相结合,设计了具体的基于支持向量机和遗传算法的玉米籽粒特征选择算法,利用这种算法优选提取出的玉米籽粒特征,从玉米籽粒的胚部和冠部的颜色特征与形状特征中找出了对玉米品种识别贡献较大的新特征。

基于改进遗传算法优化支持向量机的断路器故障诊断

为了提高高压断路器故障诊断的正确率,采用动态调整交叉概率和突变概率的策略对遗传算法进行改进,采用改进遗传算法对支持向量机进行参数优化,建立了基于改进遗传算法优化支持向量机的断路器故障诊断模型,采用实际断路器运行数据进行算法分析,并与其他断路器故障诊断方法对比,结果表明,IGA-SVM模型的综合正确率为97.5%,优于其他方法,验证了本文方法的正确性和实用性。

基于双参数MRI影像组学构建的支持向量机模型对乳腺癌人表皮生长因子受体-2和激素受体表达的预测效能

目的构建基于磁共振T_(2)WI反转恢复压脂(TIRM)及扩散加权成像(DWI)序列图像的支持向量机(SVM)模型,评估其对乳腺癌人表皮生长因子受体-2(HER-2)和激素受体(HR)表达水平的预测效能。方法收集128个于术前或治疗前接受乳腺MRI检查的乳腺癌病灶。根据免疫组织化学(IHC)或原位荧光杂交(FISH)检测结果进行分组。使用ITK-SNAP软件在磁共振TIRM和DWI序列图像上勾画三维容积感兴趣区(VOI),并导入Pyradiomics程序提取影像组学特征。对数据进行归一化处理后使用基于支持向量机的递归特征消除法(SVM-RFE)筛选特征。采用随机分层抽样方法将108例病例按照8∶2比例分为训练组及验证组,另外20例作为外部测试组。采用SVM机器学习分类器构建影像组学模型。采用受试者工作特征(ROC)曲线评估模型预测效能。采用DeLong检验评估各影像组学模型ROC曲线下面积(AUC)。采用SHAP算法进行可视化分析,并筛选最具贡献力的预测特征。结果联合模型(训练组AUC=0.94;验证组AUC=0.90)对HER-2的预测效能均高于TIRM模型(训练组AUC=0.85;验证组AUC=0.80)、单DWI模型(训练组AUC=0.88;验证组AUC=0.66)。外部测试组联合模型的AUC为0.89。SHAP算法得出DWI序列的特征贡献较大。基于TIRM和DWI序列联合特征(训练组AUC=0.96;验证组AUC=0.88)、单DWI序列特征(训练组AUC=0.92;验证组AUC=0.86)构建的影像组学模型预测HR效能优于单TIRM序列特征(训练组AUC=0.84;验证组AUC=0.68)构建的模型。外部测试组证明联合模型具有较好的预测效能,AUC为0.90。SHAP算法得出TIRM序列的特征贡献较大。结论基于磁共振成像TIRM和DWI序列联合特征构建的影像组学模型对于HER-2水平具有良好的预测效能,对HR表达具有较大的预测潜力,可为乳腺癌患者制订个性化治疗方案提供依据。

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明:经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。

基于遗传算法优化的支持向量机(SVM-GA)低阶煤制氢产量预测模型

介绍了遗传算法(GA)和支持向量机(SVM)的基本理论,用遗传算法对支持向量机的结构和参数进行了优化,将该方法用于低阶煤制氢的研究,获得了影响低阶煤制氢产量的主要煤质指标,建立了SVM-GA预测模型。结合34个校验样本的氢产量和相对应的影响因素,对模型的预测效果进行了验证。结果表明:预测值与试验值的平均相对误差为0.209%,误差的均方差为37.88,达到了较高的预测精度。

基于遗传算法优化机器学习模型的地下水潜在性预测

传统机器学习模型在地下水潜在性预测中,未考虑最优因子组合,会对地下水潜在性制图产生不利影响。为此,提出了遗传算法优化支持向量机的地下水潜在性预测方法。以云南省彝良县为研究区,从地形、水文、土壤、地质等方面选取了共15个影响因子;考虑模型性能和影响因子的作用,利用遗传优化算法筛选了包含11个影响因子的最优因子组合;然后使用支持向量机方法构建了地下水潜在性预测模型;最后计算了因子优化前后的模型准确度和受试者工作特性曲线下面积(area under curve,AUC),并绘制了模型的受试者工作特性(receiver operating characteristic,ROC)曲线和地下水潜在性预测图。结果表明:因子优化前模型的准确度为0.774,验证集AUC为0.789,因子优化后模型的准确度为0.777,验证集AUC为0.806,分别提高了0.003和0.017。可见,所提方法的准确性、可靠性优于传统的支持向量机法,其结果可以为区域水文地质调查和地下水资源管理与规划提供科学参考。

基于猎人-猎物优化支持向量机的光伏阵列故障识别研究

为提升光伏电站的运行效率,对光伏阵列的故障识别方法展开了深入研究,并建立基于猎人-猎物优化支持向量机(HPO-SVM)的故障识别方法。该方法以光伏阵列模型的5个参数作为故障特征向量对光伏阵列的故障进行识别,基于仿真数据和实验数据评估该方法的有效性和可靠性。在基于仿真数据进行故障识别时,HPO-SVM的识别准确率达到了99.5556%,十折交叉验证的平均准确率为98.2641%。与支持向量机(SVM)相比,HPO-SVM的准确率分别提高了8.4445%和8.6086%。在基于实验数据进行故障识别时,HPO-SVM的识别准确率达到了98.0645%,十折交叉验证的平均准确率为94.2995%。相较于SVM,HPO-SVM的准确率分别提高了7.7419%和4.5702%。结果表明,HPO-SVM对光伏阵列的故障识别具有较高的准确度、可靠性,并具有良好的泛化性能。