當今社會正處于大數(shù)據(jù)時代,各行各業(yè)所產(chǎn)生的數(shù)據(jù)蘊含海量知識。但這些知識具有冗余程度高、特征表達不明顯等特點,因此不能直接從中獲取有用的知識,這就意味著需要高效通用的方法進行數(shù)據(jù)分析。分類算法是計算機認識和識別真實世界的一種重要手段,同時也是將海量數(shù)據(jù)進行歸類整理的一種高效方法。支持向量機是眾多分類算法中的一種,其因具有較為完備的理論支撐并且在數(shù)據(jù)集上展現(xiàn)了良好的分類性能而被廣泛應用。但該算法的參數(shù)選擇直接影響著模型的分類精度和泛化能力,因此通過優(yōu)化模型參數(shù)來提高分類精度和泛化能力是當前支持向量機算法的一個研究熱點。粒子群優(yōu)化算法是一種依據(jù)鳥群的覓食行為提出的群智能進化算法。運用這種算法搜索時群體間的每個粒子都能夠獨立搜索但又存在信息交互,這種并行性使得該算法具有搜索速度快和尋優(yōu)精度高等優(yōu)點,從而得到了廣大學者的關注。大量實驗表明,粒子群算法在參數(shù)搜索上具有一定的優(yōu)越性。但是基本的粒子群算法在搜索過程中存在著種群早熟和搜索容易陷入局部最優(yōu)等問題。本畢業(yè)論文針對基本粒子群算法進行改進,并將其用于支持向量機的參數(shù)搜索,最后應用在工業(yè)上手機觸摸屏覆膜氣泡檢測的實際項目中,主要包括以下內容:(1)...

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 第一章緒論
    1.1 研究背景及意義
    1.2 粒子群與支持向量機算法的研究現(xiàn)狀
    1.3 粒子群與支持向量機算法當前存在的問題
    1.4 本文研究內容及結構安排
2 第二章基于遺傳免疫改進的粒子群算法
    2.1 一些基本算法
        2.1.1 基本粒子群算法
        2.1.2 遺傳算法
        2.1.3 免疫算法
    2.2 基于免疫遺傳因子的改進方法以及逃逸機制
        2.2.1 基于免疫遺傳因子的改進方法
        2.2.2 逃逸機制及越邊界處理
    2.3 改進粒子群算法GAIPSO
    2.4 GAIPSO算法在基準函數(shù)中的實驗分析
        2.4.1 尋優(yōu)過程可視化分析
        2.4.2 結果分析
    2.5 小結
3 第三章基于GAIPSO算法對支持向量機參數(shù)的優(yōu)化
    3.1 支持向量機算法
        3.1.1 一些儲備知識
        3.1.2 二分類問題
        3.1.3 序列最小化算法
    3.2 基于GAIPSO算法對多核支持向量機參數(shù)優(yōu)化
        3.2.1 實驗設置
        3.2.2 數(shù)據(jù)預處理
        3.2.3 基于GAIPSO算法對多核支持向量機參數(shù)優(yōu)化
    3.3 優(yōu)化方法在UCI人工數(shù)據(jù)集中的實驗分析
        3.3.1 實驗環(huán)境
        3.3.2 實驗數(shù)據(jù)集
        3.3.3 實驗及其結果分析
    3.4 小結
4 第四章基于GAIPSO優(yōu)化的支持向量機在工業(yè)目標檢測上的應用
    4.1 工業(yè)目標檢測的現(xiàn)狀
    4.2 基于深度學習的目標檢測方法
    4.3 基于優(yōu)化支持向量機的Faster R-CNN在工業(yè)上的應用
    4.4 應用分析
    4.5 小結
結論
致謝
參考文獻
攻讀學位期間的研究成果



本文編號：4012387