針對(duì)支持向量機(jī)在參數(shù)模型選擇上的敏感性,以及在理論上無法直接實(shí)現(xiàn)的問題,在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上對(duì)粒子速度與位置更新策略進(jìn)行改進(jìn),通過改進(jìn)的粒子群算法對(duì)支持向量機(jī)模型參數(shù)進(jìn)行選擇優(yōu)化,進(jìn)而提出了一種改進(jìn)粒子群優(yōu)化支持向量機(jī)（IPSO-SVM）算法模型。根據(jù)尾礦壩實(shí)測(cè)數(shù)據(jù),建立了基于IPSO-SVM算法的對(duì)尾礦壩壩體位移預(yù)測(cè)模型,同時(shí)與經(jīng)典的SVM算法以及PSO-SVM算法進(jìn)行比較分析。結(jié)果表明,3種算法在壩體變形預(yù)測(cè)中都具有較好的可行性,但I(xiàn)PSO-SVM算法在訓(xùn)練效率上有較大優(yōu)勢(shì),而且具有較高的預(yù)測(cè)精度,更適合在變形預(yù)測(cè)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(jī)
2 粒子群算法概述
3 改進(jìn)的粒子群優(yōu)化支持向量機(jī)
    3.1 改進(jìn)的粒子群算法
        3.1.1 對(duì)粒子速度與位置更新策略的改進(jìn)
        3.1.2 對(duì)慣性權(quán)重搜索方法的改進(jìn)
    3.2 IPSO優(yōu)化SVM
4 實(shí)例分析
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于粒子群算法優(yōu)化的模糊支持向量機(jī)的盾構(gòu)隧道地質(zhì)變形預(yù)測(cè)研究[J]. 朱寶.  長春師范大學(xué)學(xué)報(bào). 2017(06)
[2]改進(jìn)支持向量機(jī)在大壩變形預(yù)測(cè)中的應(yīng)用研究[J]. 劉敏,鄭上雄.  城市勘測(cè). 2017(01)
[3]支持向量機(jī)模型在大壩變形預(yù)測(cè)中的應(yīng)用[J]. 王紫蔚,陸�，�,沈哲輝.  現(xiàn)代測(cè)繪. 2016(02)
[4]基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的大壩變形預(yù)測(cè)[J]. 任超,梁月吉,龐光鋒,藍(lán)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(jī)的滑坡位移預(yù)測(cè)[J]. 彭令,牛瑞卿,趙艷南,鄧清祿.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2013(02)
[6]基于粒子群優(yōu)化的支持向量機(jī)在地表沉降預(yù)測(cè)中的應(yīng)用[J]. 呂福祥,黃磊.  測(cè)繪信息與工程. 2010(02)
[7]改進(jìn)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(bào). 2008(10)



本文編號(hào)：3436130