針對支持向量機在參數(shù)模型選擇上的敏感性,以及在理論上無法直接實現(xiàn)的問題,在標準粒子群算法的基礎(chǔ)上對粒子速度與位置更新策略進行改進,通過改進的粒子群算法對支持向量機模型參數(shù)進行選擇優(yōu)化,進而提出了一種改進粒子群優(yōu)化支持向量機（IPSO-SVM）算法模型。根據(jù)尾礦壩實測數(shù)據(jù),建立了基于IPSO-SVM算法的對尾礦壩壩體位移預(yù)測模型,同時與經(jīng)典的SVM算法以及PSO-SVM算法進行比較分析。結(jié)果表明,3種算法在壩體變形預(yù)測中都具有較好的可行性,但IPSO-SVM算法在訓(xùn)練效率上有較大優(yōu)勢,而且具有較高的預(yù)測精度,更適合在變形預(yù)測中應(yīng)用。 

【文章來源】：工業(yè)安全與環(huán)保. 2019,45(09)

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 支持向量回歸機
2 粒子群算法概述
3 改進的粒子群優(yōu)化支持向量機
    3.1 改進的粒子群算法
        3.1.1 對粒子速度與位置更新策略的改進
        3.1.2 對慣性權(quán)重搜索方法的改進
    3.2 IPSO優(yōu)化SVM
4 實例分析
5 結(jié)論


【參考文獻】：
期刊論文
[1]基于粒子群算法優(yōu)化的模糊支持向量機的盾構(gòu)隧道地質(zhì)變形預(yù)測研究[J]. 朱寶.  長春師范大學(xué)學(xué)報. 2017(06)
[2]改進支持向量機在大壩變形預(yù)測中的應(yīng)用研究[J]. 劉敏,鄭上雄.  城市勘測. 2017(01)
[3]支持向量機模型在大壩變形預(yù)測中的應(yīng)用[J]. 王紫蔚,陸�，�,沈哲輝.  現(xiàn)代測繪. 2016(02)
[4]基于經(jīng)驗?zāi)B(tài)分解和支持向量機的大壩變形預(yù)測[J]. 任超,梁月吉,龐光鋒,藍嵐.  水電能源科學(xué). 2014(12)
[5]基于核主成分分析和粒子群優(yōu)化支持向量機的滑坡位移預(yù)測[J]. 彭令,牛瑞卿,趙艷南,鄧清祿.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2013(02)
[6]基于粒子群優(yōu)化的支持向量機在地表沉降預(yù)測中的應(yīng)用[J]. 呂福祥,黃磊.  測繪信息與工程. 2010(02)
[7]改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)及其在產(chǎn)品質(zhì)量建模中的應(yīng)用[J]. 王建國,陽建宏,云海濱,徐金梧.  北京科技大學(xué)學(xué)報. 2008(10)



本文編號：3436130