支持向量機和粒子群算法的研究及應用.pdf

1、StudyandApplicationofSupportVectorMachinesandParticleSwarmOptimizationalgorithmADissertationSubmittedtoNanjingUniversityofTechnologyinpartialfulfillmentoftherequirementsforthedegreeof—MasterofEngineeringByFangfangLISuper

2、visor：ProfYingkaiZHAODecember2006摘要’支持向量機是在統(tǒng)計學習理論的基礎上發(fā)展起來的一種新的機器學習方法，通過采用結構風險最小化原則和核函數(shù)，較好的解決了以往困擾很多傳統(tǒng)學習方法的小樣本、非線性、過學習、高維數(shù)和局部極小點等實際問題，具有很強的泛化能力。最小二乘支持向量機是標準支持向量機的一種改進，通過非線性映射將原始空間中不等式約束的二次規(guī)劃問題轉(zhuǎn)化為特征空間的具有等式約束的線性方程組的求解問題，極大的

3、簡化了計算，提高了求解問題的速度和收斂精度，并保持了傳統(tǒng)支持向量機的良好性能。粒子群優(yōu)化算法是基于群體智能的全局優(yōu)化技術，通過粒子間的相互作用，對解空間進行智能搜索，從而發(fā)現(xiàn)最優(yōu)解。由于粒子群算法采用速度—位移的搜索模式，而且沒有遺傳算法的選擇交叉操作，因此成為智能優(yōu)化的熱點之一。本文主要以最小二乘支持向量機為例對支持向量機的參數(shù)選擇問題進行了探討，在試湊法、交叉驗證法的基礎上研究了基于貝葉斯理論和基于粒子群的參數(shù)尋優(yōu)算法，并且以品種鋼

4、的力學性能預報為例建立模型，比較了三種算法的優(yōu)劣，初步分析了參數(shù)之間的隱含關系。，此外，本文還研究了粒子群算法在神經(jīng)網(wǎng)絡和支持向量機優(yōu)化中的應用，首先利用粒子群算法來優(yōu)化神經(jīng)網(wǎng)絡的權值和域值，避免了神經(jīng)網(wǎng)絡陷入局部最優(yōu)，接著利用神經(jīng)網(wǎng)絡和支持向量機建立的模型來構造粒子群算法的適應度函數(shù)，對品種鋼生產(chǎn)的控冷條件和工藝條件進行優(yōu)化，取得了很好的效果。最后利用MATLAB的Web技術及其強大的計算與繪圖功能、大量可靠的算法庫開發(fā)了基于B／S模