隨著計算機(jī)與互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,海量數(shù)據(jù)信息存在于日常生活中的各個領(lǐng)域,人們可以從海量數(shù)據(jù)中獲取豐富的有價值信息。伴隨著大數(shù)據(jù)時代的到來,各個領(lǐng)域都迎來了新的挑戰(zhàn),如何提高對海量數(shù)據(jù)的分析與應(yīng)用效率,已經(jīng)成為人們關(guān)注的熱點問題。機(jī)器學(xué)習(xí)作為人工智能的重要分支,在大數(shù)據(jù)的研究與處理方面處于最前沿的研究方法。絕大多數(shù)的機(jī)器學(xué)習(xí)算法本質(zhì)都是建立優(yōu)化模型,使用優(yōu)化算法對目標(biāo)函數(shù)進(jìn)行優(yōu)化,通過訓(xùn)練得到最優(yōu)模型。因此,優(yōu)化算法在機(jī)器學(xué)習(xí)算法的研究與實現(xiàn)中占有主導(dǎo)地位。本文主要對BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine,SVM）以及幾種智能優(yōu)化算法進(jìn)行研究,并將這些算法應(yīng)用到不同研究背景下分析其可行性和實用性。論文主要研究內(nèi)容如下:（1）為了更好的平衡粒子的全局搜索能力和局部開發(fā)能力,解決GSA中存在的過早收斂、局部優(yōu)化能力差等問題。將PSO算法中的群體信息交流功能與GSA算法中的局部搜索功能相結(jié)合,提出了基于時變慣性權(quán)重策略的PSO-GSA算法（TVIW-PSOGSA）。選取23個基準(zhǔn)測試函數(shù)評估TVIW-PSO-GSA算法的尋優(yōu)性能。實驗結(jié)果表明,與PSO-GSA... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：147 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 機(jī)器學(xué)習(xí)概述
    1.3 智能優(yōu)化算法概述
    1.4 本文主要研究內(nèi)容
第2章 改進(jìn)的GSA算法及在函數(shù)尋優(yōu)問題上的應(yīng)用
    2.1 萬有引力搜索算法
        2.1.1 萬有引力定理
        2.1.2 萬有引力搜索算法原理
        2.1.3 萬有引力搜索算法研究現(xiàn)狀
    2.2 基于時變慣性權(quán)重策略的PSO-GSA算法
    2.3 基于TVIW-PSO-GSA算法的函數(shù)尋優(yōu)結(jié)果及分析
        2.3.1 參數(shù)設(shè)置
        2.3.2 尋優(yōu)測試函數(shù)
        2.3.3 尋優(yōu)精度分析
    2.4 本章小結(jié)
第3章 改進(jìn)SVM算法及在空氣質(zhì)量等級分類預(yù)測問題中的應(yīng)用
    3.1 空氣質(zhì)量評價指數(shù)
    3.2 支持向量機(jī)
        3.2.1 線性可分SVM與硬間隔最大化
        3.2.2 線性SVM與軟間隔最大化
        3.2.3 非線性SVM與核函數(shù)
    3.3 基于TVIW-PSO-GSA算法的SVM模型
    3.4 基于TVIW-PSO-GSA-SVM算法的分類預(yù)測結(jié)果及分析
        3.4.1 空氣質(zhì)量等級分類預(yù)測結(jié)果及分析
        3.4.2 UCI數(shù)據(jù)集分類結(jié)果及分析
    3.5 本章小結(jié)
第4章 基于改進(jìn)人工神經(jīng)網(wǎng)絡(luò)與SVR方法的流感預(yù)測問題研究
    4.1 流感樣病例監(jiān)測
    4.2 基于GFT數(shù)據(jù)的ILI預(yù)測
        4.2.1 多元線性回歸模型
        4.2.2 非線性人工神經(jīng)網(wǎng)絡(luò)模型
        4.2.3 實驗結(jié)果比較與分析
    4.3 基于分季流感數(shù)據(jù)的ILI預(yù)測
        4.3.1 流感樣病例分布特征
        4.3.2 分季流感預(yù)測模型的建立
        4.3.3 實驗結(jié)果比較與分析
    4.4 基于Twitter數(shù)據(jù)的ILI預(yù)測
        4.4.1 流感預(yù)測模型的建立
        4.4.2 改進(jìn)的支持向量回歸機(jī)模型
        4.4.3 實驗結(jié)果比較與分析
    4.5 本章小結(jié)
第5章 改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法及在DOA估計問題中的應(yīng)用
    5.1 DOA估計應(yīng)用背景
    5.2 矢量水聽器陣列信號處理模型
        5.2.1 模型假設(shè)
        5.2.2 陣列信號處理模型
    5.3 改進(jìn)人工神經(jīng)網(wǎng)絡(luò)的DOA估計方法
        5.3.1 基于TVIW-PSO-GSA-BP神經(jīng)網(wǎng)絡(luò)的DOA估計方法
        5.3.2 實驗及性能分析
    5.4 智能優(yōu)化算法優(yōu)化MUSIC算法的DOA估計方法
        5.4.1 MUSIC算法
        5.4.2 TVIW-PSO-GSA算法優(yōu)化MUSIC算法的DOA估計方法
        5.4.3 實驗結(jié)果及性能分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要研究工作
    6.2 論文創(chuàng)新點
    6.3 工作展望
參考文獻(xiàn)
攻讀博士期間發(fā)表的論文及所取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)黑洞和自適應(yīng)策略的引力搜索算法[J]. 呂方林,羅鳳鳴,張兵城.  西華大學(xué)學(xué)報(自然科學(xué)版). 2019(03)
[2]融合混沌反學(xué)習(xí)與蜂群搜索算子的引力搜索算法[J]. 丁知平.  計算機(jī)系統(tǒng)應(yīng)用. 2018(04)
[3]萬有引力搜索算法的改進(jìn)[J]. 楊元榮.  系統(tǒng)仿真技術(shù). 2018(01)
[4]大數(shù)據(jù)戰(zhàn)略是新時代建設(shè)網(wǎng)絡(luò)強(qiáng)國的著力點[J]. 王世偉.  網(wǎng)信軍民融合. 2018(02)
[5]基于動態(tài)引力常數(shù)和種群遞減的引力搜索算法[J]. 李靜,高興寶.  系統(tǒng)科學(xué)與數(shù)學(xué). 2018(01)
[6]基于大數(shù)據(jù)分析的海量信息軟件系統(tǒng)設(shè)計與開發(fā)[J]. 李錦華.  軟件工程. 2017(11)
[7]基于引力搜索算法的復(fù)雜產(chǎn)品裝配規(guī)劃研究[J]. 史亞斌,李翌輝,吳安樂.  科技創(chuàng)新導(dǎo)報. 2017(30)
[8]改進(jìn)的引力搜索算法用于陣列天線方向圖綜合[J]. 孫翠珍,丁君,蘭建鋒,郭陳江,袁建濤.  西北工業(yè)大學(xué)學(xué)報. 2017(05)
[9]基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的矢量水聽器的DOA估計[J]. 王鵬,張楠,郭亞強(qiáng),白艷萍.  數(shù)學(xué)的實踐與認(rèn)識. 2017(13)
[10]基于鳥類群體響應(yīng)的萬有引力搜索算法及其在數(shù)據(jù)聚類中的應(yīng)用[J]. 胡楠,同東輝,冉冉,王欣柳,韓曉紅,蘭媛.  山西科技. 2016(06)

博士論文
[1]基于聲矢量陣的高分辨方位估計技術(shù)研究[D]. 徐海東.哈爾濱工程大學(xué) 2004

碩士論文
[1]MEMS矢量水聽器及其陣列應(yīng)用于聲吶浮標(biāo)的關(guān)鍵技術(shù)研究[D]. 沈倪鑫.中北大學(xué) 2019
[2]基于社交網(wǎng)絡(luò)的流感監(jiān)控和預(yù)測算法[D]. 黃江妙.華東師范大學(xué) 2015
[3]中國31個主要城市空氣質(zhì)量評價及主要污染物濃度預(yù)測[D]. 王露云.重慶師范大學(xué) 2014
[4]中國海洋安全及其戰(zhàn)略研究[D]. 王榮.內(nèi)蒙古大學(xué) 2013
[5]深圳市流感與大氣環(huán)境的關(guān)系研究及其預(yù)測模型的建立[D]. 翟紅楠.中國地質(zhì)大學(xué) 2009
[6]科學(xué)發(fā)展觀視閾下我國海洋經(jīng)濟(jì)可持續(xù)發(fā)展研究[D]. 孫洪芬.山東大學(xué) 2008



本文編號：3328407