PVS-PSO-SVR协同模型及实证分析.pdf

第46卷第3期湘潭大学学报（自然科学版）Vol.46No.3

2024年6月JournalofXiangtanUniversity(NaturalScienceEdition)Jun.2024

D0I:10.13715/j.issn.2096-644X0006

引用格式：刘英迪，肖功为，刘琼，PVS-PSO-SVR协同模型及实证分析［J].湘潭大学学报（自然科学版），

2024,46(3):57-65.

Citation:LIUYingdi,XIAOGongwei,LIUQiong.PVS-PSO-SVRcooperativemodelanditsempiricalanalysis

[JJ.JournalofXiangtanUniversity(NaturalScienceEdition),2024,46(3):57-65.

PVS-PSO-SVR协同模型及实证分析

刘英迪1，肖功为1，刘琼²

（1.邵阳学院经济管理学院，湖南邵阳422000；2.邵阳学院理学院，湖南邵阳422000）

摘要：针对高维随机变量信息穴余以及主成分分析降维的缺陷，用主变量筛选法对高维随机变量降

维，利用提取的主变量建立了支持向量回归机（SVR）模型对于模型的参数，利用了改进的粒子群算

法进行优化选择．构建出主变量筛选（PVS）、粒子群优化（PSO）和SVR的协同模型，并用于葡萄酒

的质量预测·实验证明PVS-PSO-SVR协同模型与已有的3种模型（N-CV-SVR模型、PCA-CV-SVR模

型，PVS-CV-SVR模型）相比，检查误差有较大的改善，表明PVS-PSO-SVR协同模型泛化能力强、预

测结果更有效：

关键词：主变量筛选；粒子群算法；支持向量回归机；质量预测

中图分类号：TP274文献标志码：A文章编号：2096-644X（2024）03-0057-09

PVS-PSO-SVRcooperativemodelanditsempiricalanalysis

LIUYingdil,XIAOGongwei,LIUQiong?

(1.SchoolofEconomicsandManagement,ShaoyangUniversity,Shaoyang422000,China;

2.SchoolofScience,ShaoyangUniversity,Shaoyang422000,China)

Abstract:Inresponsetotheredundancyofhigh-dimensionalrandomvariableinformationandtheshortcom-

ingsofprincipalcomponentanalysisindimensionalityreduction,theprincipalvariablescreeningmethod

wasusedtoreducethedimensionalityofhigh-dimensionalrandomvariables.Asupportvectorregres-

sionmachinemodelwasestablishedusingtheextractedprincipalvariablesFortheparametersofthemodel,

animprovedparticleswarmoptimizationalgorithmwasusedforoptimizationselectionConstructacollabo-

rativemodelofPrincipalVariableScreening(PVS),ParticleSwarmOptimization(P