支持向量機（SVM）是一種基于統(tǒng)計學習理論的機器學習方法。由于SVM在解決小樣本、高維度以及非線性等問題上有著獨特的優(yōu)勢,被廣泛應用于人臉識別、文本分類以及圖像處理等領域。當使用SVM處理分類問題時,SVM參數(shù)的選取對分類結果產(chǎn)生很大的影響,因此優(yōu)化SVM參數(shù)是應用SVM的主要研究方向。粒子群算法（PSO）具有算法簡單,容易實現(xiàn)以及收斂速度快等優(yōu)點,近年來被很多學者用來優(yōu)化SVM參數(shù)。但是,粒子群算法存在著早熟收斂、易陷入局部最優(yōu)以及分類精度低等缺點。針對這些問題,本文重點研究基于改進粒子群算法的SVM參數(shù)優(yōu)化問題。論文的具體工作如下:（1）采用了一種自適應粒子群算法（WPSO）。本文采用自適應權重代替原始的慣性權重,將每個粒子的權重根據(jù)其適應度值的大小進行動態(tài)調整,從而平衡粒子的全局最優(yōu)能力和局部最優(yōu)能力;在自適應權重的基礎上,采用自適應變異優(yōu)化粒子群算法,賦予部分粒子一定的變異概率,將部分粒子的群體極值進行變異,從而增強種群多樣性。（2）采用了一種引入模擬退火機制的粒子群算法（SAPSO）。在速度更新公式中,對粒子的自身認知部分和社會認知部分進行動態(tài)調整。將當前粒子的適應度值與群體... 

【文章來源】：江蘇科技大學江蘇省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及課題意義
    1.2 支持向量機研究現(xiàn)狀
    1.3 粒子群算法研究現(xiàn)狀
    1.4 研究內容
    1.5 組織結構
第2章 支持向量機理論及分析
    2.1 統(tǒng)計學習理論
        2.1.1 機器學習問題與方法
        2.1.2 統(tǒng)計學習基礎
        2.1.3 分類與準確率
    2.2 支持向量機
        2.2.1 支持向量機基本理論
        2.2.2 支持向量機分類
        2.2.3 核函數(shù)理論
    2.3 支持向量機參數(shù)及作用
    2.4 LIBSVM工具箱
    2.5 本章小結
第3章 支持向量機參數(shù)優(yōu)化算法
    3.1 遺傳算法
        3.1.1 遺傳算法基本原理
        3.1.2 遺傳算法的優(yōu)缺點
        3.1.3 遺傳算法優(yōu)化SVM參數(shù)
    3.2 蟻群算法
        3.2.1 蟻群算法基本原理
        3.2.2 蟻群算法的優(yōu)缺點
        3.2.3 蟻群算法優(yōu)化SVM參數(shù)
    3.3 粒子群算法
        3.3.1 粒子群算法基本原理
        3.3.2 粒子群算法的優(yōu)缺點
        3.3.3 粒子群算法優(yōu)化SVM參數(shù)
    3.4 本章小結
第4章 改進粒子群算法優(yōu)化SVM參數(shù)
    4.1 引言
    4.2 自適應粒子群算法優(yōu)化SVM參數(shù)
        4.2.1 自適應粒子群算法
        4.2.2 WPSO-SVM算法流程
    4.3 引入模擬退火機制的粒子群算法優(yōu)化SVM參數(shù)
        4.3.1 引入模擬退火機制的粒子群算法
        4.3.2 SAPSO-SVM算法流程
    4.4 算法驗證
        4.4.1 交叉驗證法
        4.4.2 適應度函數(shù)
        4.4.3 數(shù)據(jù)歸一化
        4.4.4 實驗數(shù)據(jù)及參數(shù)
        4.4.5 實驗過程
        4.4.6 實驗結果及分析
    4.5 本章小結
第5章 基于改進粒子群算法的SVM遙感圖像分類
    5.1 遙感圖像分類流程
    5.2 實驗環(huán)境及參數(shù)設置
    5.3 江蘇科技大學遙感圖像實驗
        5.3.1 樣本選取
        5.3.2 實驗過程及分析
        5.3.3 實驗結論
    5.4 Pavia U遙感數(shù)據(jù)集實驗
        5.4.1 樣本選取
        5.4.2 實驗過程及分析
        5.4.3 實驗結論
    5.5 本章小結
總結與展望
    工作總結
    工作展望
參考文獻
攻讀碩士學位期間發(fā)表的論文
致謝
詳細摘要


【參考文獻】：
期刊論文
[1]自適應PSO-SVM上產(chǎn)期油氣操作成本預測模型[J]. 趙越,吳瑩.  計算機仿真. 2019(11)
[2]基于改進網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 劉小生,章治邦.  江西理工大學學報. 2019(01)
[3]基于蟻群優(yōu)化與獨立特征集的遙感圖像實時分類算法[J]. 趙芳,索巖,彭子然.  計算機應用研究. 2020(02)
[4]群智能算法優(yōu)化支持向量機參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學報. 2018(01)
[5]改進鳥群算法用于SVM參數(shù)選擇[J]. 張偉偉,劉勇進,彭君君.  計算機工程與設計. 2017(12)
[6]基于粒子群優(yōu)化支持向量回歸機的渲染時間預估[J]. 張冉,韓斌.  江蘇科技大學學報(自然科學版). 2017(02)
[7]混合粒子群遺傳算法的協(xié)同過濾推薦模型[J]. 吳彥文,王潔,王飛.  小型微型計算機系統(tǒng). 2017(03)
[8]基于SVM的高光譜遙感圖像亞像元定位[J]. 王毅,李季.  武漢大學學報(信息科學版). 2017(02)
[9]基于粒子群的支持向量機圖像識別[J]. 韓曉艷,趙東.  液晶與顯示. 2017(01)
[10]改進支持向量機的高分遙感影像道路提取[J]. 朱恩澤,宋偉東,戴激光.  測繪科學. 2016(12)

碩士論文
[1]基于PCA和SVM的人臉識別關鍵技術研究與實現(xiàn)[D]. 袁程波.電子科技大學 2017
[2]改進的支持向量機的理論研究及應用[D]. 劉春雨.西北農(nóng)林科技大學 2016
[3]基于粒子群算法和支持向量機的船舶結構優(yōu)化[D]. 何小二.上海交通大學 2014
[4]基于粒子群優(yōu)化支持向量機的變壓器故障診斷和預測[D]. 張艷.西華大學 2011



本文編號：3190600