基于支持向量機參數(shù)優(yōu)化的群智能優(yōu)化算法研究.pdf

1、群智能算法是人們從生物行為中得到啟發(fā)，與計算機技術(shù)相結(jié)合用于解決現(xiàn)實生活中遇到的復雜問題的方法，具有容易理解、易于實現(xiàn)等特點，已在很多領(lǐng)域得到了廣泛應(yīng)用，本文的研究是針對沙塵暴預(yù)測進行的，是對其應(yīng)用領(lǐng)域的拓展。 沙塵暴的頻繁發(fā)生給人類的生活和社會生產(chǎn)帶來了巨大危害，沙塵暴的預(yù)測問題早就引起了研究者的關(guān)注，目前已出現(xiàn)了將支持向量機分類器應(yīng)用到沙塵暴預(yù)測中的研究，但對支持向量機參數(shù)的選取仍停留在依靠經(jīng)驗手動調(diào)節(jié)的水平上，影響對沙塵暴

2、預(yù)測的準確率。在以上研究背景下，本文首次將遺傳算法、粒子群算法引入沙塵暴的預(yù)測模型——RBF核支持向量機參數(shù)優(yōu)化過程中，對以遺傳算法、粒子群算法為代表的群智能優(yōu)化算法進行了進一步的研究。 本文所作的主要研究工作如下： 1.對遺傳算法和粒子群算法進行了進一步的分析，并分別運用遺傳算法和粒子群算法對支持向量機的參數(shù)進行了優(yōu)化。仿真結(jié)果表明粒子群算法具有比遺傳算法更好的性能。 2.對粒子群算法進行了收斂性分析，得出了使

3、得算法收斂其參數(shù)之間滿足的條件，在此基礎(chǔ)上提出了粒子群算法的改進算法。針對粒子群算法容易陷入局部極值點的缺點，在迭代之初選用比較大的慣性權(quán)值，隨著迭代的進行慣性權(quán)值線性減小，保證了算法在開始時進行的是全局搜索，在后期進行的是小范圍的局部搜索。學習因子的設(shè)定在滿足收斂條件的約束下進行。仿真結(jié)果表明：改進粒子群算法具有更好的全局收斂性，尋優(yōu)準確率提高。 本文實現(xiàn)了運用智能優(yōu)化方法對支持向量機的參數(shù)進行尋優(yōu)，提高了沙塵暴預(yù)測的準確率，