基于改进粒子群算法的SVM参数优化及应用
发布时间：2021-05-16 23:20
支持向量机（SVM）是一种基于统计学习理论的机器学习方法。由于SVM在解决小样本、高维度以及非线性等问题上有着独特的优势,被广泛应用于人脸识别、文本分类以及图像处理等领域。当使用SVM处理分类问题时,SVM参数的选取对分类结果产生很大的影响,因此优化SVM参数是应用SVM的主要研究方向。粒子群算法（PSO）具有算法简单,容易实现以及收敛速度快等优点,近年来被很多学者用来优化SVM参数。但是,粒子群算法存在着早熟收敛、易陷入局部最优以及分类精度低等缺点。针对这些问题,本文重点研究基于改进粒子群算法的SVM参数优化问题。论文的具体工作如下:（1）采用了一种自适应粒子群算法（WPSO）。本文采用自适应权重代替原始的惯性权重,将每个粒子的权重根据其适应度值的大小进行动态调整,从而平衡粒子的全局最优能力和局部最优能力;在自适应权重的基础上,采用自适应变异优化粒子群算法,赋予部分粒子一定的变异概率,将部分粒子的群体极值进行变异,从而增强种群多样性。（2）采用了一种引入模拟退火机制的粒子群算法（SAPSO）。在速度更新公式中,对粒子的自身认知部分和社会认知部分进行动态调整。将当前粒子的适应度值与群体...
【文章来源】：江苏科技大学江苏省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及课题意义
1.2 支持向量机研究现状
1.3 粒子群算法研究现状
1.4 研究内容
1.5 组织结构
第2章 支持向量机理论及分析
2.1 统计学习理论
2.1.1 机器学习问题与方法
2.1.2 统计学习基础
2.1.3 分类与准确率
2.2 支持向量机
2.2.1 支持向量机基本理论
2.2.2 支持向量机分类
2.2.3 核函数理论
2.3 支持向量机参数及作用
2.4 LIBSVM工具箱
2.5 本章小结
第3章 支持向量机参数优化算法
3.1 遗传算法
3.1.1 遗传算法基本原理
3.1.2 遗传算法的优缺点
3.1.3 遗传算法优化SVM参数
3.2 蚁群算法
3.2.1 蚁群算法基本原理
3.2.2 蚁群算法的优缺点
3.2.3 蚁群算法优化SVM参数
3.3 粒子群算法
3.3.1 粒子群算法基本原理
3.3.2 粒子群算法的优缺点
3.3.3 粒子群算法优化SVM参数
3.4 本章小结
第4章 改进粒子群算法优化SVM参数
4.1 引言
4.2 自适应粒子群算法优化SVM参数
4.2.1 自适应粒子群算法
4.2.2 WPSO-SVM算法流程
4.3 引入模拟退火机制的粒子群算法优化SVM参数
4.3.1 引入模拟退火机制的粒子群算法
4.3.2 SAPSO-SVM算法流程
4.4 算法验证
4.4.1 交叉验证法
4.4.2 适应度函数
4.4.3 数据归一化
4.4.4 实验数据及参数
4.4.5 实验过程
4.4.6 实验结果及分析
4.5 本章小结
第5章 基于改进粒子群算法的SVM遥感图像分类
5.1 遥感图像分类流程
5.2 实验环境及参数设置
5.3 江苏科技大学遥感图像实验
5.3.1 样本选取
5.3.2 实验过程及分析
5.3.3 实验结论
5.4 Pavia U遥感数据集实验
5.4.1 样本选取
5.4.2 实验过程及分析
5.4.3 实验结论
5.5 本章小结
总结与展望
工作总结
工作展望
参考文献
攻读硕士学位期间发表的论文
致谢
详细摘要
【参考文献】：
期刊论文
[1]自适应PSO-SVM上产期油气操作成本预测模型[J]. 赵越,吴莹. 计算机仿真. 2019(11)
[2]基于改进网格搜索法的SVM参数优化[J]. 刘小生,章治邦. 江西理工大学学报. 2019(01)
[3]基于蚁群优化与独立特征集的遥感图像实时分类算法[J]. 赵芳,索岩,彭子然. 计算机应用研究. 2020(02)
[4]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春. 智能系统学报. 2018(01)
[5]改进鸟群算法用于SVM参数选择[J]. 张伟伟,刘勇进,彭君君. 计算机工程与设计. 2017(12)
[6]基于粒子群优化支持向量回归机的渲染时间预估[J]. 张冉,韩斌. 江苏科技大学学报(自然科学版). 2017(02)
[7]混合粒子群遗传算法的协同过滤推荐模型[J]. 吴彦文,王洁,王飞. 小型微型计算机系统. 2017(03)
[8]基于SVM的高光谱遥感图像亚像元定位[J]. 王毅,李季. 武汉大学学报(信息科学版). 2017(02)
[9]基于粒子群的支持向量机图像识别[J]. 韩晓艳,赵东. 液晶与显示. 2017(01)
[10]改进支持向量机的高分遥感影像道路提取[J]. 朱恩泽,宋伟东,戴激光. 测绘科学. 2016(12)
硕士论文
[1]基于PCA和SVM的人脸识别关键技术研究与实现[D]. 袁程波.电子科技大学 2017
[2]改进的支持向量机的理论研究及应用[D]. 刘春雨.西北农林科技大学 2016
[3]基于粒子群算法和支持向量机的船舶结构优化[D]. 何小二.上海交通大学 2014
[4]基于粒子群优化支持向量机的变压器故障诊断和预测[D]. 张艳.西华大学 2011
本文编号：3190600
【文章来源】：江苏科技大学江苏省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及课题意义
1.2 支持向量机研究现状
1.3 粒子群算法研究现状
1.4 研究内容
1.5 组织结构
第2章 支持向量机理论及分析
2.1 统计学习理论
2.1.1 机器学习问题与方法
2.1.2 统计学习基础
2.1.3 分类与准确率
2.2 支持向量机
2.2.1 支持向量机基本理论
2.2.2 支持向量机分类
2.2.3 核函数理论
2.3 支持向量机参数及作用
2.4 LIBSVM工具箱
2.5 本章小结
第3章 支持向量机参数优化算法
3.1 遗传算法
3.1.1 遗传算法基本原理
3.1.2 遗传算法的优缺点
3.1.3 遗传算法优化SVM参数
3.2 蚁群算法
3.2.1 蚁群算法基本原理
3.2.2 蚁群算法的优缺点
3.2.3 蚁群算法优化SVM参数
3.3 粒子群算法
3.3.1 粒子群算法基本原理
3.3.2 粒子群算法的优缺点
3.3.3 粒子群算法优化SVM参数
3.4 本章小结
第4章 改进粒子群算法优化SVM参数
4.1 引言
4.2 自适应粒子群算法优化SVM参数
4.2.1 自适应粒子群算法
4.2.2 WPSO-SVM算法流程
4.3 引入模拟退火机制的粒子群算法优化SVM参数
4.3.1 引入模拟退火机制的粒子群算法
4.3.2 SAPSO-SVM算法流程
4.4 算法验证
4.4.1 交叉验证法
4.4.2 适应度函数
4.4.3 数据归一化
4.4.4 实验数据及参数
4.4.5 实验过程
4.4.6 实验结果及分析
4.5 本章小结
第5章 基于改进粒子群算法的SVM遥感图像分类
5.1 遥感图像分类流程
5.2 实验环境及参数设置
5.3 江苏科技大学遥感图像实验
5.3.1 样本选取
5.3.2 实验过程及分析
5.3.3 实验结论
5.4 Pavia U遥感数据集实验
5.4.1 样本选取
5.4.2 实验过程及分析
5.4.3 实验结论
5.5 本章小结
总结与展望
工作总结
工作展望
参考文献
攻读硕士学位期间发表的论文
致谢
详细摘要
【参考文献】：
期刊论文
[1]自适应PSO-SVM上产期油气操作成本预测模型[J]. 赵越,吴莹. 计算机仿真. 2019(11)
[2]基于改进网格搜索法的SVM参数优化[J]. 刘小生,章治邦. 江西理工大学学报. 2019(01)
[3]基于蚁群优化与独立特征集的遥感图像实时分类算法[J]. 赵芳,索岩,彭子然. 计算机应用研究. 2020(02)
[4]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春. 智能系统学报. 2018(01)
[5]改进鸟群算法用于SVM参数选择[J]. 张伟伟,刘勇进,彭君君. 计算机工程与设计. 2017(12)
[6]基于粒子群优化支持向量回归机的渲染时间预估[J]. 张冉,韩斌. 江苏科技大学学报(自然科学版). 2017(02)
[7]混合粒子群遗传算法的协同过滤推荐模型[J]. 吴彦文,王洁,王飞. 小型微型计算机系统. 2017(03)
[8]基于SVM的高光谱遥感图像亚像元定位[J]. 王毅,李季. 武汉大学学报(信息科学版). 2017(02)
[9]基于粒子群的支持向量机图像识别[J]. 韩晓艳,赵东. 液晶与显示. 2017(01)
[10]改进支持向量机的高分遥感影像道路提取[J]. 朱恩泽,宋伟东,戴激光. 测绘科学. 2016(12)
硕士论文
[1]基于PCA和SVM的人脸识别关键技术研究与实现[D]. 袁程波.电子科技大学 2017
[2]改进的支持向量机的理论研究及应用[D]. 刘春雨.西北农林科技大学 2016
[3]基于粒子群算法和支持向量机的船舶结构优化[D]. 何小二.上海交通大学 2014
[4]基于粒子群优化支持向量机的变压器故障诊断和预测[D]. 张艳.西华大学 2011
本文编号：3190600
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3190600.html
