基于免疫粒子群优化算法集成的多序列联配

新的免疫粒子群集成算法是根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去进行多序列联配,实验证明了算法的有效性。     

基于粒子群优化的最小二乘支持向量机雾霾预测模型

论文通过主成分分析提取影响空气质量的主要因素,建立粒子群优化的最小二乘支持向量机预测模型的方法对石家庄市空气质量指数进行预测。结果表明:对雾霾天气影响因子降维后,主成分之和能够描述大于99%的信息表明主成分分析适用于雾霾影响因子的降维;基于粒子群算法计算得到的最小二乘支持向量机正则化参数和核函数参数分别为30、1.0386;粒子群收敛性能曲线稳定在0.0238左右,动态性能曲线稳定在0.015左右;未来七天的空气质量指数仿真预测结果与实际数值的相对误差平均值为0.01。可见基于粒子群寻优算法的最小二乘支持向量机预测模型在短期雾霾天气预测中具有很好的应用价值。     

基于粒子群优化支持向量机的冲天炉铁液质量预测

冲天炉铁液质量预测是一项复杂而有难度的技术,受到很多因素的影响。文章提出了基于粒子群优化支持向量机（PSO-SVM）的冲天炉铁液质量预测方法,即将粒子群优化算法（PSO）用于SVM参数优化。它不仅具有很强的全局搜索能力,而且容易实现。经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5%的工程许可误差。     

基于遗传支持向量机算法的文本分类

支持向量机具有良好的泛化和高维模式识别能力,广泛地应用于文本分类中.然而,文本分类的准确性却很大程度上依赖于参数惩罚因子(C)和核函数(γ)的正确选择.运用遗传算法优化支持向量机参数,选取文本分类准确率作为适应度函数,通过种群进化实现支持向量机参数寻优,构造基于遗传向量机算法的文本分类器(GA-SVM).实验表明,改进后的文本分类器(GA-SVM)在准确度和运行速度都有明显的提高,具有较强的可行性和实用性.     

基于支持向量机的上市公司信用风险评估

提出一种新型模糊支持向量机算法,并将其应用于上市公司信用风险研究中.分析对比选取不同核函数的实验结果,实验结果表明,相对于支持向量机方法(SVM)、模糊支持向量机模型和神经网络模型,新型模糊SVM模型更具有效性和优越性,并且具有更好的泛化能力.     

距离相似度在支持向量数据描述中的应用

支持向量数据描述的分类边界是由分类边界上的支持向量决定的,通过对支持向量的理论研究,提出一种基于距离相似度的支持向量数据描述约减算法。实验结果表明,该算法在小规模样本数据中具有一定的优越性和实用性。     

一种基于支持向量机的带钢表面缺陷识别方法

鉴于支持向量机（SVM）在小样本、高维模式分类中具有的优良分类性能,可以基于多分类支持向量机来检测带铜表面的缺陷。本文构造了一类有向无环图支持向量机（DAGSVM）,利用交叉验证进行了参数和模型的选取,对冷轧带钢中几种现场易出现的缺陷进行分类,并与BP神经网络进行比较分析。实验结果表明,这类基于SVM的算法识别效率较高,较好地解决了小样本学习问题,避免了BP神经网络出现的过学习、收敛速度慢、泛化能力弱等缺点,可有效地应用于带铜表面缺陷检测。     

基于改进蚁群算法的供应链物流配送路线规划

利用粒子群算法本身的个体信息和全局信息,采用遗传算法的交叉、变异操作策略,对蚁群算法进行优化,提出了新的改进的蚁群算法,并将改进后的算法利用到物流路线的规划上。实验结果表明改进算法有较好的有效性和实用性。     

基于粒子群的神经网络用于编制企业定额

为更有效地编制企业定额,本文构建了基于粒子群的神经网络模型。研究采用粒子群优化算法对神经网络参数进行优化,然后利用训练好的粒子群优化后的神经网络编制企业定额。结果表明,利用基于粒子群优化神经网络编制企业定额具有较高的精度,该模型具有良好的可行性和有效性。     

基于主成分分析法和遗传算法优化支持向量机模型的泥石流危险度预测

为准确预测泥石流危险度,提出了基于主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型。首先利用主成分分析法对7个泥石流危险度影响因子进行数据降维,将提取出的主成分作为支持向量机模型的输入向量,以泥石流危险度作为输出向量,并运用遗传算法寻优获得最佳支持向量机模型参数,最终建立了基于PCA-GA-SVM的泥石流危险度预测模型,并对9条泥石流沟的危险度进行预测,结果表明:PCA-GA-SVM模型的预测准确率达88.9%,满足工程要求。     

基于lpBTV正则化的图像超分辨率重建算法

针对双边全变分正则化(BTV)边缘细节处理时出现过平滑的问题,结合自然图像梯度稀疏先验模型,给出一种基于双边全变分算子的新型lpBTV(0相似文献   

基于粒子群算法的不确定性结构区间分析

结构工程中存在着大量不确定性因素,区间分析方法是计算不确定性结构的最有效方法。但是区间计算的精度偏低使得该方法在实际工程中还很难广泛应用。将PSO算法引入不确定性结构区间分析,将区间计算问题转化为全局优化问题。实例表明,PSO算法的结果明显优于其他现有各种计算方法。     

基于改进LOG算子的非局域均值图像降噪

为了改进非局域均值图像去噪的性能,利用二阶导数可以更好地保护图像边缘的特性,通过高斯权值函数获得高斯-拉普拉斯算子,并对其进行修正代替指数权值函数。再根据局域像素块相似性特点将权值函数进行截断。在多个典型图像上的实验结果表明,提出的改进方法获得了较好的降噪性能。另外,在利用欧氏距离对称性的同时,避免了两像素点间距离的重复计算,降低了算法的处理时间。     

基于改进克隆算法的WSN的QoS路由研究

为解决在无线传感器网络QoS约束下的最优路由选择问题,在优化网络拓扑结构的基础上,提出利用克隆选择算法和蚁群算法结合求解WSN组播路由的方法．该算法利用克隆选择算法对原始路由种群进行优化改善,避免搜索过程陷入早熟收敛问题,然后利用蚁群算法快速搜索．该算法在保证能力最优的前提下,提高了路由搜索速度,在保证最优路径选择基础上,节约了通信成本,仿真结果证明了其可行性和有效性．     

AdaBoost集成SVM的供应链金融信用风险评估

为了实现供应链金融信用风险的科学定量管理,建立了一种AdaBoost集成的支持向量机（SVM）算法。该方法首先采用SVM方法对信用风险数据进行分类学习,建立基学习器;接着通过AdaBoost集成算法对基学习器迭代训练,生成最终的供应链金融信用风险评估模型。实证结果表明,AdaBoost集成SVM分类器较模糊积分SVM集成等方法具有更高的分类准确率,因此该模型具有很好的应用前景。     

免疫蚁群算法在常规医疗器械配送路径优化中的应用

将免疫蚁群算法引入到求解常规医疗器械物流配送路径优化问题中,结合免疫算法和蚁群算法的优点,相对于基本蚁群算法求解常规医疗器械配送路径优化问题,免疫蚁群算法具有更快的收敛速度、更短的搜索时间。通过实验仿真,证明免疫蚁群算法的优化结果优于蚁群算法。     

基于改进的BP-LM在中国人口老龄化预测中的应用

由于人口老龄化率的预测具有高度非线性特征，这与BP神经网络能够处理非线性问题的特征相符合，但BP神经网络算法易使解陷入局部极小。基于L-M算法的改进BP神经网络可以有效克服这一问题，而且收敛速度快。通过具体的仿真及实践结果验证了改进BP的有效性，并对未来五年的中国老龄化率进行了预测。