支持向量机和粒子群算法研究及应用.pdf

摘 要 ’ 支持向量机是在统计学习理论的基础上发展起来的一种新的机器学习方法， 通过采用结构风险最小化原则和核函数，较好的解决了以往困扰很多传统学习方 法的小样本、非线性、过学习、高维数和局部极小点等实际问题，具有很强的泛 化能力。 最小二乘支持向量机是标准支持向量机的一种改进，通过非线性映射将原始 空间中不等式约束的二次规划问题转化为特征空间的具有等式约束的线性方程 组的求解问题，极大的简化了计算，提高了求解问题的速度和收敛精度，并保持 了传统支持向量机的良好性能。 粒子群优化算法是基于群体智能的全局优化技术，通过粒子间的相互作用， 对解空间进行智能搜索，从而发现最优解。由于粒子群算法采用速度—位移的搜 索模式，而且没有遗传算法的选择交叉操作，因此成为智能优化的热点之一。 本文主要以最小二乘支持向量机为例对支持向量机的参数选择问题进行了 探讨，在试凑法、交叉验证法的基础上研究了基于贝叶斯理论和基于粒子群的参 数寻优算法，并且以品种钢的力学性能预报为例建立模型，比较了三种算法的优 劣，初步分析了参数之间的隐含关系。 ， 此外，本文还研究了粒子群算法在神经网络和支持向量机优化中的应用，首 先利用粒子群算法来优化神经网络的权值和域值，避免了神经网络陷入局部最 优，接着利用神经网络和支持向量机建立的模型来构造粒子群算法的适应度函 数，对品种钢生产的控冷条件和工艺条件进行优化，取得了很好的效果。 最后利用MATLAB的W．eb技术及其强大的计算与绘图功能、大量可靠的算 法库开发了基于B／S模式的品种钢智能建模与优化软件系统，为开发品种钢生产 提供了很好的指导作用，目前该系统已投运。 关键词：支持向量机神经网络粒子群算法核参数正则化参数 ABSTRACT an0Vel method Supp叭vectorMachines(SV№ispow响lmaC衄地le嬲1illg baSedonstatistical s锄lctllralrisk le孕rmngtheo】吖．Byernploying kemel舢1ction，SVM solves麟u搿pr∞血alproble瑚such鹪smalls锄lples， and iIl nomineari锣，oVer dilne璐ionlocal向nima，、Ⅳ：Ilichexitmostof le锄ling，11igh claSsical methods缸d 1ean】血19 k塔highgeneraJiza幢on． Least vector a鹏w of Square iInprovement Support MaC址1es(LSSⅥ峋is cl硒sic2Ll SVM．1k of i11equm埘co瑚n咖tSoriginaLlspaCea托r印laCedbyequaJ竹 cons蛐，sotlle ofSVMis inv眦dt0∞lveline雒 qua出aticpro鲫撒血g solu舶n eq删io璐．LSSVMs蛔plifies龇comple)【i哆ofcalculation，iInproves也e and andre切iIls ofcl勰sicalSVM． speedconvergence 900d precis