基于改进粒子群算法对支持向量机的参数优化及其应用

发布时间：2024-11-20 21:31

　　当今社会正处于大数据时代,各行各业所产生的数据蕴含海量知识。但这些知识具有冗余程度高、特征表达不明显等特点,因此不能直接从中获取有用的知识,这就意味着需要高效通用的方法进行数据分析。分类算法是计算机认识和识别真实世界的一种重要手段,同时也是将海量数据进行归类整理的一种高效方法。支持向量机是众多分类算法中的一种,其因具有较为完备的理论支撑并且在数据集上展现了良好的分类性能而被广泛应用。但该算法的参数选择直接影响着模型的分类精度和泛化能力,因此通过优化模型参数来提高分类精度和泛化能力是当前支持向量机算法的一个研究热点。粒子群优化算法是一种依据鸟群的觅食行为提出的群智能进化算法。运用这种算法搜索时群体间的每个粒子都能够独立搜索但又存在信息交互,这种并行性使得该算法具有搜索速度快和寻优精度高等优点,从而得到了广大学者的关注。大量实验表明,粒子群算法在参数搜索上具有一定的优越性。但是基本的粒子群算法在搜索过程中存在着种群早熟和搜索容易陷入局部最优等问题。本毕业论文针对基本粒子群算法进行改进,并将其用于支持向量机的参数搜索,最后应用在工业上手机触摸屏覆膜气泡检测的实际项目中,主要包括以下内容:(1)...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 第一章绪论
    1.1 研究背景及意义
    1.2 粒子群与支持向量机算法的研究现状
    1.3 粒子群与支持向量机算法当前存在的问题
    1.4 本文研究内容及结构安排
2 第二章基于遗传免疫改进的粒子群算法
    2.1 一些基本算法
        2.1.1 基本粒子群算法
        2.1.2 遗传算法
        2.1.3 免疫算法
    2.2 基于免疫遗传因子的改进方法以及逃逸机制
        2.2.1 基于免疫遗传因子的改进方法
        2.2.2 逃逸机制及越边界处理
    2.3 改进粒子群算法GAIPSO
    2.4 GAIPSO算法在基准函数中的实验分析
        2.4.1 寻优过程可视化分析
        2.4.2 结果分析
    2.5 小结
3 第三章基于GAIPSO算法对支持向量机参数的优化
    3.1 支持向量机算法
        3.1.1 一些储备知识
        3.1.2 二分类问题
        3.1.3 序列最小化算法
    3.2 基于GAIPSO算法对多核支持向量机参数优化
        3.2.1 实验设置
        3.2.2 数据预处理
        3.2.3 基于GAIPSO算法对多核支持向量机参数优化
    3.3 优化方法在UCI人工数据集中的实验分析
        3.3.1 实验环境
        3.3.2 实验数据集
        3.3.3 实验及其结果分析
    3.4 小结
4 第四章基于GAIPSO优化的支持向量机在工业目标检测上的应用
    4.1 工业目标检测的现状
    4.2 基于深度学习的目标检测方法
    4.3 基于优化支持向量机的Faster R-CNN在工业上的应用
    4.4 应用分析
    4.5 小结
结论
致谢
参考文献
攻读学位期间的研究成果



本文编号：4012387