基于支持向量机参数优化的群智能优化算法研究

摘要

群智能算法是人们从生物行为中得到启发，与计算机技术相结合用于解决现实生活中遇到的复杂问题的方法，具有容易理解、易于实现等特点，已在很多领域得到了广泛应用，本文的研究是针对沙尘暴预测进行的，是对其应用领域的拓展。 沙尘暴的频繁发生给人类的生活和社会生产带来了巨大危害，沙尘暴的预测问题早就引起了研究者的关注，目前已出现了将支持向量机分类器应用到沙尘暴预测中的研究，但对支持向量机参数的选取仍停留在依靠经验手动调节的水平上，影响对沙尘暴预测的准确率。在以上研究背景下，本文首次将遗传算法、粒子群算法引入沙尘暴的预测模型——RBF核支持向量机参数优化过程中，对以遗传算法、粒子群算法为代表的群智能优化算法进行了进一步的研究。 本文所作的主要研究工作如下： 1.对遗传算法和粒子群算法进行了进一步的分析，并分别运用遗传算法和粒子群算法对支持向量机的参数进行了优化。仿真结果表明粒子群算法具有比遗传算法更好的性能。 2.对粒子群算法进行了收敛性分析，得出了使得算法收敛其参数之间满足的条件，在此基础上提出了粒子群算法的改进算法。针对粒子群算法容易陷入局部极值点的缺点，在迭代之初选用比较大的惯性权值，随着迭代的进行惯性权值线性减小，保证了算法在开始时进行的是全局搜索，在后期进行的是小范围的局部搜索。学习因子的设定在满足收敛条件的约束下进行。仿真结果表明：改进粒子群算法具有更好的全局收敛性，寻优准确率提高。 本文实现了运用智能优化方法对支持向量机的参数进行寻优，提高了沙尘暴预测的准确率，推动了群智能研究的发展。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2本文的研究背景

1.2.1沙尘暴预测

1.2.2支持向量机的参数优化

1.2.3群智能的发展

1.3本文所作的工作

1.4本章小结

第二章遗传算法与粒子群算法

2.1遗传算法

2.1.1遗传算法的生物学概念

2.1.2遗传算法的构成要素

2.1.3遗传算法的应用步骤和流程

2.1.4遗传算法的特点

2.2粒子群算法

2.2.1 PSO算法的描述

2.2.2 PSO算法的应用步骤

2.3本章小结

第三章基于支持向量机的沙尘暴预测模型

3.1支持向量机理论

3.1.1支持向量机原理

3.1.2 SVM核函数的选择及其参数对分类的影响

3.2实验样本及数据预处理

3.2.1实验样本

3.2.2样本数据预处理

3.3 SVM训练过程示意图

3.4本章小结

第四章遗传算法、粒子群算法在SVM参数优化中的应用

4.1遗传算法在SVM参数优化中的应用

4.1.1参数的确定及其编码和解码

4.1.2种群初始化

4.1.3适应度函数的确定

4.1.4遗传算子及运行参数的设定

4.2粒子群算法在支持向量机参数优化中的应用

4.2.1种群初始化

4.2.2运行参数的设定

4.3仿真结果

4.3.1训练过程

4.3.2测试结果

4.4本章小结

第五章改进的粒子群算法及仿真研究

5.1 PSO算法的收敛性分析

5.2 PSO算法的改进

5.2.1惯性权值的改进

5.2.2学习因子的改进

5.3改进粒子群算法的仿真结果

5.3.1训练过程

5.3.2测试结果

5.4本章小结

第六章总结与展望

6.1本文总结

6.2展望

参考文献

发表论文和参加科研情况说明

致谢