基于PSO的最小二乘支持向量机稀疏化算法

发布时间：2018-05-12 08:17

  本文选题：最小二乘支持向量机 + 最优稀疏化　； 参考：《武汉大学学报(工学版)》2016年06期

【摘要】：针对最小二乘支持向量机(LSSVM)失去稀疏特性及经典迭代剪切稀疏化算法容易陷入性能指标函数局部收敛的问题,提出一种基于粒子群优化(PSO)的LSSVM稀疏化算法.将LSSVM稀疏化过程描述为一个最优化问题,以校验样本和预测输出之间的均方根误差RMSE为优化目标,以模型训练样本剪切率ε(%)为优化变量.并针对此非线性优化问题提出基于PSO的求解方法.以大型电厂飞灰含碳量LSSVM模型为例,对此算法进行了实例研究.结果表明,该方法能有效解决经典算法的局部收敛问题获得最优剪切率,具有更好的预测和泛化能力.
[Abstract]:Aiming at the problem that the least square support vector machine (LSSVM) loses its sparsity and the classical iterative shearing thinning algorithm is prone to fall into the local convergence of the performance index function, a LSSVM sparse algorithm based on particle swarm optimization (PSO) is proposed. The sparse process of LSSVM is described as an optimization problem. The root mean square error (RMSE) between the calibration sample and the predicted output is taken as the optimization objective, and the shear rate of the model training sample is taken as the optimization variable. A method based on PSO is proposed to solve the nonlinear optimization problem. Taking the LSSVM model of carbon content in fly ash of large power plant as an example, the algorithm is studied as an example. The results show that this method can effectively solve the local convergence problem of classical algorithm to obtain the optimal shear rate and has better prediction and generalization ability.
【作者单位】： 武汉大学动力与机械学院;
【基金】：国家自然科学基金资助项目(编号:51475337) 湖北省自然科学基金资助项目(编号:2011CDB277)
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 温菊屏;林冬梅;;图稀疏化:加速图聚类的有效方法[J];计算机工程与设计;2013年11期

2 吴宗亮;窦衡;;一种新的最小二乘支持向量机稀疏化算法[J];计算机应用;2009年06期

3 余正涛;邹俊杰;赵兴;苏磊;毛存礼;;基于主动学习的最小二乘支持向量机稀疏化[J];南京理工大学学报;2012年01期

4 冯笑笑;刘本永;;基于高阶相关的稀疏化和径向基核分类法[J];雷达科学与技术;2007年03期

5 崔树标;张云;周华民;李德群;;边界元矩阵稀疏化算法及其应用[J];上海交通大学学报;2008年10期

6 赵英海;蔡俊杰;吴秀清;孙福明;;基于稀疏化图结构的转导多标注视频概念检测算法[J];模式识别与人工智能;2011年06期

7 司刚全;曹晖;张彦斌;贾立新;;一种基于密度加权的最小二乘支持向量机稀疏化算法[J];西安交通大学学报;2009年10期

8 汪涛，邢小良;感知器的动态稀疏化学习[J];自动化学报;1995年01期

9 汪琪;李传荣;马灵玲;唐伶俐;李剑剑;;基于训练字典的压缩感知光谱稀疏化方法[J];遥感技术与应用;2013年06期

10 过琦芳;;稀疏化的基于核密度估计的向量机[J];信息与电脑(理论版);2011年09期

相关硕士学位论文 前4条

1 付强;稀疏化模型及其在文本分类中的应用[D];南京大学;2014年

2 孙欣;最小二乘支持向量机稀疏化技术的研究[D];广西大学;2014年

3 冯笑笑;基于模式样本稀疏化和高阶相关的分类方法研究[D];电子科技大学;2007年

4 邵哲;X波段大型相控阵稀疏化研究[D];电子科技大学;2012年

，

本文编号：1877851