本文關(guān)鍵詞： 改進(jìn)果蠅優(yōu)化算法(IFOA) 最小二乘支持向量機(jī)(LSSVM) 磨機(jī)負(fù)荷　出處：《西安交通大學(xué)學(xué)報(bào)》2017年06期 　論文類型：期刊論文

【摘要】：針對(duì)最小二乘支持向量機(jī)建模中超參數(shù)選擇盲目的問題,提出了一種新的改進(jìn)果蠅優(yōu)化算法用于超參數(shù)尋優(yōu)。該算法在果蠅優(yōu)化算法的基礎(chǔ)上,通過判斷當(dāng)代尋優(yōu)所獲得的最優(yōu)值與前代最優(yōu)值的關(guān)系來選擇不同的步長計(jì)算公式,以實(shí)現(xiàn)搜索步長的自適應(yīng)更新,使其不僅具有果蠅優(yōu)化算法調(diào)整參數(shù)少、計(jì)算速度快的優(yōu)越性,而且提高了果蠅優(yōu)化算法的尋優(yōu)精度和全局尋優(yōu)能力。仿真結(jié)果和磨機(jī)負(fù)荷應(yīng)用表明,與基于網(wǎng)格搜索法、粒子群優(yōu)化算法以及未改進(jìn)的果蠅優(yōu)化算法所建立的預(yù)測模型相比,基于改進(jìn)的果蠅優(yōu)化算法所建立的預(yù)測模型可以顯著提高磨機(jī)負(fù)荷的預(yù)測精度,能更準(zhǔn)確地描述出磨機(jī)負(fù)荷的變化規(guī)律。
[Abstract]:In order to solve the problem of blind super-parameter selection in least square support vector machine (LS-SVM) modeling, a new improved Drosophila optimization algorithm is proposed, which is based on the Drosophila optimization algorithm. By judging the relationship between the optimal value obtained by the contemporary optimization and the previous optimal value, different calculation formulas of step size are selected to realize the adaptive updating of the search step size, which not only has the fruit fly optimization algorithm to adjust the parameters less. The advantages of fast calculation speed and improved the optimization accuracy and global optimization ability of Drosophila optimization algorithm. The simulation results and mill load application show that the algorithm is based on grid search method. Compared with the prediction model established by the particle swarm optimization algorithm and the unimproved Drosophila optimization algorithm, the prediction model based on the improved Drosophila optimization algorithm can significantly improve the forecasting accuracy of the mill load. The changing law of mill load can be described more accurately.
【作者單位】： 西安交通大學(xué)電氣工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61304118) 教育部新世紀(jì)人才計(jì)劃資助項(xiàng)目(NCET-13-0456);教育部高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20130201120011) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目
【分類號(hào)】：TP18
【正文快照】： 最小二乘支持向量機(jī)(LSSVM)是利用核函數(shù)使原始空間的非線性問題轉(zhuǎn)化為特征空間的線性問題,并在高維特征空間中提出最大間隔的優(yōu)化目標(biāo),實(shí)現(xiàn)按結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則進(jìn)行學(xué)習(xí),具有收斂快、精度高等一系列優(yōu)點(diǎn)。在利用LSSVM建模過程中,懲罰系數(shù)γ和核參數(shù)σ統(tǒng)稱為超參數(shù),它們的取

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董建達(dá);孫志能;周開河;范良忠;;粒子群優(yōu)化算法和最小二乘支持向量機(jī)的雷電過電壓識(shí)別[J];電網(wǎng)與清潔能源;2016年06期

2 王惠中;周佳;王岳鋒;劉軻;;基于果蠅參數(shù)優(yōu)化的LSSVM短期負(fù)荷預(yù)測[J];電氣自動(dòng)化;2015年06期

3 裴瑞平;邱杰;;基于GA-LSSVM的短期風(fēng)功率預(yù)測[J];自動(dòng)化與儀器儀表;2015年01期

4 田海梅;黃楠;;基于ACO-LSSVM的網(wǎng)絡(luò)流量預(yù)測[J];計(jì)算機(jī)工程與應(yīng)用;2014年01期

5 趙專政;李云翔;;聚類加權(quán)和CS-LSSVM的文本分類[J];計(jì)算機(jī)工程與應(yīng)用;2013年16期

6 湯健;趙立杰;岳恒;柴天佑;;磨機(jī)負(fù)荷檢測方法研究綜述[J];控制工程;2010年05期

7 湯健;趙立杰;岳恒;柴天佑;;基于多源數(shù)據(jù)特征融合的球磨機(jī)負(fù)荷軟測量[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2010年07期

8 郭一楠;程健;楊梅;;支持向量回歸超參數(shù)的混沌文化優(yōu)化選擇方法[J];控制與決策;2010年04期

9 司剛?cè)?曹暉;張彥斌;賈立新;;一種基于密度加權(quán)的最小二乘支持向量機(jī)稀疏化算法[J];西安交通大學(xué)學(xué)報(bào);2009年10期

10 陶少輝;陳德釗;胡望明;;LSSVM過程建模中超參數(shù)選取的梯度優(yōu)化算法[J];化工學(xué)報(bào);2007年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 段華瓊;唐賓徽;;基于線性多尺度模型的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)流量預(yù)測[J];沈陽工業(yè)大學(xué)學(xué)報(bào);2017年03期

2 司剛?cè)?李水旺;石建全;郭璋;;采用改進(jìn)果蠅優(yōu)化算法的最小二乘支持向量機(jī)參數(shù)優(yōu)化方法[J];西安交通大學(xué)學(xué)報(bào);2017年06期

3 張大明;任鳳玉;孫芳錦;;一種聯(lián)合優(yōu)化算法在選礦生產(chǎn)中的應(yīng)用研究[J];化工礦物與加工;2017年02期

4 羅小燕;陳慧明;盧小江;熊洋;;基于網(wǎng)格搜索與交叉驗(yàn)證的SVM磨機(jī)負(fù)荷預(yù)測[J];中國測試;2017年01期

5 陳正;張小軒;李慧敏;張世榮;;基于PSO的最小二乘支持向量機(jī)稀疏化算法[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2016年06期

6 洪偉;郭昆;郭文忠;;無線傳感器網(wǎng)絡(luò)中極限學(xué)習(xí)機(jī)回歸優(yōu)化預(yù)測模型[J];小型微型計(jì)算機(jī)系統(tǒng);2016年11期

7 李智勇;杜江;朱強(qiáng);;基于OMAPL138處理器的磨機(jī)負(fù)荷檢測系統(tǒng)設(shè)計(jì)[J];微型機(jī)與應(yīng)用;2016年20期

8 柳武輝;單繼宏;闕子俊;;振幅對(duì)顫振球磨機(jī)粉磨效率的影響研究[J];機(jī)電工程;2016年07期

9 劉志剛;蔡改貧;林龍飛;熊洋;;主元分析的振動(dòng)頻域特征識(shí)別與磨機(jī)負(fù)荷建模研究[J];中國鎢業(yè);2016年03期

10 李翔宇;高憲文;李琨;侯延彬;;基于多源信息特征融合的抽油井動(dòng)液面集成軟測量建模[J];化工學(xué)報(bào);2016年06期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何軒;王永慶;溫步瀛;;基于粒子群算法優(yōu)化支持向量機(jī)的專用工程費(fèi)用量化研究[J];電網(wǎng)與清潔能源;2015年12期

2 陳仕龍;曹蕊蕊;畢貴紅;李興旺;榮俊香;;基于多尺度形態(tài)分解譜熵的雷擊干擾與短路故障識(shí)別研究[J];昆明理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年06期

3 王惠中;侯t熺，

本文編號(hào)：1470872