论文部分内容阅读
摘 要：提出了一种改进粒子群优化算法，将其应用于支持向量机参数的优化设计。将改进粒子群优化的支持向量机用于磨矿粒度软测量，建立了基于改进粒子群算法的支持向量机磨矿粒度软测量模型，工业试验结果表明该模型具有较高的精度和良好的性能。
关键词：支持向量机（SVM）；软测量；磨矿粒度
1.引言：支持向量机 （support vector machines， SVM）是上世纪90年代提出一种基于统计学习理论的机器学习方法，这种方法应用结构风险最小化理论，能较好地解决小样本、非线性等实际问题。支持向量机最初应用于模式识别，随后在函数逼近、模型预测等领域也得到了广泛的发展。实践表明，SVM的性能与核函数的类型、核函数的参数以及惩罚系数C有很大关系。目前，一些学者将遗传算法、蚁群算法及粒子群算法等仿生进化算法应用于SVM参数的优化问题，但也存在一定的不足。遗传算法存在收敛速度慢，变异、交叉概率无法确定等缺点；蚁群算法实现相对复杂且不适于处理实优化问题；粒子群算法虽然结构简单，容易实现，但当参数空间非常复杂的情况下由于初始值设定不当可能会陷入局部极小。有些学者提出将其它优化算法与粒子群算法结合的混合算法，但无疑增加了算法的复杂性。同时对粒子群的全局和局部性质进行改进的混合算法较少。
2.改进的粒子群优化算法
2.1 粒子群优化算法
参考文献：
[1] 邢桂华，朱庆保.基于蚁群算法的RBF网络参数的两阶段优化[J].计算机工程与应用，2005，27（4）：56-59
[2] 李红利，张晓彤，兰立柱等.基于遗传算法的RBF神经网络的优化设计方法[J].计算机仿真，2003，20（11）：67-69
关键词：支持向量机（SVM）；软测量；磨矿粒度
1.引言：支持向量机 （support vector machines， SVM）是上世纪90年代提出一种基于统计学习理论的机器学习方法，这种方法应用结构风险最小化理论，能较好地解决小样本、非线性等实际问题。支持向量机最初应用于模式识别，随后在函数逼近、模型预测等领域也得到了广泛的发展。实践表明，SVM的性能与核函数的类型、核函数的参数以及惩罚系数C有很大关系。目前，一些学者将遗传算法、蚁群算法及粒子群算法等仿生进化算法应用于SVM参数的优化问题，但也存在一定的不足。遗传算法存在收敛速度慢，变异、交叉概率无法确定等缺点；蚁群算法实现相对复杂且不适于处理实优化问题；粒子群算法虽然结构简单，容易实现，但当参数空间非常复杂的情况下由于初始值设定不当可能会陷入局部极小。有些学者提出将其它优化算法与粒子群算法结合的混合算法，但无疑增加了算法的复杂性。同时对粒子群的全局和局部性质进行改进的混合算法较少。
2.改进的粒子群优化算法
2.1 粒子群优化算法
参考文献：
[1] 邢桂华，朱庆保.基于蚁群算法的RBF网络参数的两阶段优化[J].计算机工程与应用，2005，27（4）：56-59
[2] 李红利，张晓彤，兰立柱等.基于遗传算法的RBF神经网络的优化设计方法[J].计算机仿真，2003，20（11）：67-69