基于粒子群思想改進支持向量機優(yōu)化算法的研究.pdf_第1頁
已閱讀1頁,還剩59頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、隨著科技的日益進步和社會的發(fā)展,現(xiàn)代工業(yè)過程呈現(xiàn)出多變量耦合、強非線性以及模型不確定等復雜特性,嚴重制約著工業(yè)的生產(chǎn)和快速發(fā)展。如何對復雜的工業(yè)生產(chǎn)過程進行準確的預測和控制成為了當今學者研究的一個熱點問題。而人工智能算法以其應用領域廣、易建模等特點在近些年得到了快速發(fā)展。通過基于粒子群和支持向量機智能算法,對青霉素發(fā)酵過程中的補料優(yōu)化控制過程以及電力系統(tǒng)領域的短期負荷預測問題進行了分析和研究。
  首先針對粒子群算法(PSO: P

2、article Swarm Optimization)計算形式簡單,復雜度比較低,需要確定的參數(shù)個數(shù)少,同時能夠保證算法模型的最終收斂精度比較高的這些原理和特點進行了分析,然后針對粒子群算法容易陷入局部陷阱、空間探索能力以及進行快速收斂質(zhì)量差等缺點,分別引入指數(shù)遞減慣性權重、收斂因子以及模擬退火算法對原始粒子群算法進行改進,通過四組標準測試函數(shù)對改進的粒子群算法進行驗證,結(jié)果表明基于禁忌搜索退火原理的PSO算法在運算速度以及搜索能力上都

3、有明顯的提高。
  基于結(jié)構風險最小化的支持向量機(SVM)算法能夠在小樣本數(shù)據(jù)下建立非常好的非線性映射模型,大大降低了模型的復雜度,克服了粒子群算法容易陷入局部極小值的缺陷,同時相對于粒子群算法還具有很強的泛化能力。但學習能力較差,受懲罰因子以及核函數(shù)參數(shù)影響很大,且傳統(tǒng)的參數(shù)選擇方法既費時又效率低下,急需要一種新的參數(shù)選擇方法對其進行優(yōu)化。
  通過對PSO以及SVM算法的分析與對比,將兩者結(jié)合起來,利用改進后的PSO算

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論