發(fā)布時間：2018-03-20 08:00

  本文選題：混沌免疫算法　切入點：模糊最小二乘支持向量機　出處：《中南大學(xué)學(xué)報(自然科學(xué)版)》2017年08期 　論文類型：期刊論文

【摘要】：采用三角形函數(shù)隸屬度法確定模糊最小二乘支持向量機(fuzzy least squares support vector machine,FLS-SVM)輸入?yún)?shù)隸屬度,采用自適應(yīng)變尺度混沌免疫算法優(yōu)化FLS-SVM的參數(shù),從而構(gòu)建改進(jìn)模糊最小二乘支持向量機(improved fuzzy least squares support vector machines,IFLS-SVM)分類辨識模型,用Ripley數(shù)據(jù)集、MONK數(shù)據(jù)集和PIMA數(shù)據(jù)集進(jìn)行仿真實驗,并用于地下金屬礦山采場信號分類辨識與中國國際貿(mào)易安全分類辨識。研究結(jié)果表明:與LS-SVM分類辨識模型和FLS-SVM分類辨識模型相比,IFLS-SVM分類辨識模型能有效提高帶噪聲點和異常點數(shù)據(jù)集的分類精度,且分類辨識精度相對誤差較小。
[Abstract]:The membership degree of fuzzy least squares support vector machine input parameters is determined by triangular function membership method, and the parameters of FLS-SVM are optimized by adaptive variable scale chaotic immune algorithm. Thus, an improved fuzzy least squares support vector machine (fuzzy least squares support vector machine IFLS-SVM) classification identification model is constructed, and the simulation experiments are carried out with the Ripley data set and the PIMA data set. The research results show that compared with LS-SVM classification model and FLS-SVM classification identification model, IFLS-SVM classification identification model can effectively improve noise. Classification accuracy of acoustic and outlier data sets, And the relative error of classification and identification accuracy is small.
【作者單位】： 中南大學(xué)資源與安全工程學(xué)院;湖南涉外經(jīng)濟(jì)學(xué)院商學(xué)院;
【基金】：國家自然科學(xué)基金資助項目(71573082) 湖南省自然科學(xué)基金資助項目(2017JJ2134) 湖南省高校創(chuàng)新平臺開放基金資助項目(14K055)~~
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 嚴(yán)科偉;馬愛民;;基于LV-SVMs的UUV NARX動態(tài)辨識模型[J];造船技術(shù);2006年03期

，

本文編號：1638180