支持向量機(jī)（SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法。由于SVM在解決小樣本、高維度以及非線性等問(wèn)題上有著獨(dú)特的優(yōu)勢(shì),被廣泛應(yīng)用于人臉識(shí)別、文本分類以及圖像處理等領(lǐng)域。當(dāng)使用SVM處理分類問(wèn)題時(shí),SVM參數(shù)的選取對(duì)分類結(jié)果產(chǎn)生很大的影響,因此優(yōu)化SVM參數(shù)是應(yīng)用SVM的主要研究方向。粒子群算法（PSO）具有算法簡(jiǎn)單,容易實(shí)現(xiàn)以及收斂速度快等優(yōu)點(diǎn),近年來(lái)被很多學(xué)者用來(lái)優(yōu)化SVM參數(shù)。但是,粒子群算法存在著早熟收斂、易陷入局部最優(yōu)以及分類精度低等缺點(diǎn)。針對(duì)這些問(wèn)題,本文重點(diǎn)研究基于改進(jìn)粒子群算法的SVM參數(shù)優(yōu)化問(wèn)題。論文的具體工作如下:（1）采用了一種自適應(yīng)粒子群算法（WPSO）。本文采用自適應(yīng)權(quán)重代替原始的慣性權(quán)重,將每個(gè)粒子的權(quán)重根據(jù)其適應(yīng)度值的大小進(jìn)行動(dòng)態(tài)調(diào)整,從而平衡粒子的全局最優(yōu)能力和局部最優(yōu)能力;在自適應(yīng)權(quán)重的基礎(chǔ)上,采用自適應(yīng)變異優(yōu)化粒子群算法,賦予部分粒子一定的變異概率,將部分粒子的群體極值進(jìn)行變異,從而增強(qiáng)種群多樣性。（2）采用了一種引入模擬退火機(jī)制的粒子群算法（SAPSO）。在速度更新公式中,對(duì)粒子的自身認(rèn)知部分和社會(huì)認(rèn)知部分進(jìn)行動(dòng)態(tài)調(diào)整。將當(dāng)前粒子的適應(yīng)度值與群體... 

【文章來(lái)源】：江蘇科技大學(xué)江蘇省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及課題意義
    1.2 支持向量機(jī)研究現(xiàn)狀
    1.3 粒子群算法研究現(xiàn)狀
    1.4 研究?jī)?nèi)容
    1.5 組織結(jié)構(gòu)
第2章 支持向量機(jī)理論及分析
    2.1 統(tǒng)計(jì)學(xué)習(xí)理論
        2.1.1 機(jī)器學(xué)習(xí)問(wèn)題與方法
        2.1.2 統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)
        2.1.3 分類與準(zhǔn)確率
    2.2 支持向量機(jī)
        2.2.1 支持向量機(jī)基本理論
        2.2.2 支持向量機(jī)分類
        2.2.3 核函數(shù)理論
    2.3 支持向量機(jī)參數(shù)及作用
    2.4 LIBSVM工具箱
    2.5 本章小結(jié)
第3章 支持向量機(jī)參數(shù)優(yōu)化算法
    3.1 遺傳算法
        3.1.1 遺傳算法基本原理
        3.1.2 遺傳算法的優(yōu)缺點(diǎn)
        3.1.3 遺傳算法優(yōu)化SVM參數(shù)
    3.2 蟻群算法
        3.2.1 蟻群算法基本原理
        3.2.2 蟻群算法的優(yōu)缺點(diǎn)
        3.2.3 蟻群算法優(yōu)化SVM參數(shù)
    3.3 粒子群算法
        3.3.1 粒子群算法基本原理
        3.3.2 粒子群算法的優(yōu)缺點(diǎn)
        3.3.3 粒子群算法優(yōu)化SVM參數(shù)
    3.4 本章小結(jié)
第4章 改進(jìn)粒子群算法優(yōu)化SVM參數(shù)
    4.1 引言
    4.2 自適應(yīng)粒子群算法優(yōu)化SVM參數(shù)
        4.2.1 自適應(yīng)粒子群算法
        4.2.2 WPSO-SVM算法流程
    4.3 引入模擬退火機(jī)制的粒子群算法優(yōu)化SVM參數(shù)
        4.3.1 引入模擬退火機(jī)制的粒子群算法
        4.3.2 SAPSO-SVM算法流程
    4.4 算法驗(yàn)證
        4.4.1 交叉驗(yàn)證法
        4.4.2 適應(yīng)度函數(shù)
        4.4.3 數(shù)據(jù)歸一化
        4.4.4 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)
        4.4.5 實(shí)驗(yàn)過(guò)程
        4.4.6 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
第5章 基于改進(jìn)粒子群算法的SVM遙感圖像分類
    5.1 遙感圖像分類流程
    5.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
    5.3 江蘇科技大學(xué)遙感圖像實(shí)驗(yàn)
        5.3.1 樣本選取
        5.3.2 實(shí)驗(yàn)過(guò)程及分析
        5.3.3 實(shí)驗(yàn)結(jié)論
    5.4 Pavia U遙感數(shù)據(jù)集實(shí)驗(yàn)
        5.4.1 樣本選取
        5.4.2 實(shí)驗(yàn)過(guò)程及分析
        5.4.3 實(shí)驗(yàn)結(jié)論
    5.5 本章小結(jié)
總結(jié)與展望
    工作總結(jié)
    工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文
致謝
詳細(xì)摘要


【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)PSO-SVM上產(chǎn)期油氣操作成本預(yù)測(cè)模型[J]. 趙越,吳瑩.  計(jì)算機(jī)仿真. 2019(11)
[2]基于改進(jìn)網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 劉小生,章治邦.  江西理工大學(xué)學(xué)報(bào). 2019(01)
[3]基于蟻群優(yōu)化與獨(dú)立特征集的遙感圖像實(shí)時(shí)分類算法[J]. 趙芳,索巖,彭子然.  計(jì)算機(jī)應(yīng)用研究. 2020(02)
[4]群智能算法優(yōu)化支持向量機(jī)參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學(xué)報(bào). 2018(01)
[5]改進(jìn)鳥(niǎo)群算法用于SVM參數(shù)選擇[J]. 張偉偉,劉勇進(jìn),彭君君.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(12)
[6]基于粒子群優(yōu)化支持向量回歸機(jī)的渲染時(shí)間預(yù)估[J]. 張冉,韓斌.  江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[7]混合粒子群遺傳算法的協(xié)同過(guò)濾推薦模型[J]. 吳彥文,王潔,王飛.  小型微型計(jì)算機(jī)系統(tǒng). 2017(03)
[8]基于SVM的高光譜遙感圖像亞像元定位[J]. 王毅,李季.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(02)
[9]基于粒子群的支持向量機(jī)圖像識(shí)別[J]. 韓曉艷,趙東.  液晶與顯示. 2017(01)
[10]改進(jìn)支持向量機(jī)的高分遙感影像道路提取[J]. 朱恩澤,宋偉東,戴激光.  測(cè)繪科學(xué). 2016(12)

碩士論文
[1]基于PCA和SVM的人臉識(shí)別關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D]. 袁程波.電子科技大學(xué) 2017
[2]改進(jìn)的支持向量機(jī)的理論研究及應(yīng)用[D]. 劉春雨.西北農(nóng)林科技大學(xué) 2016
[3]基于粒子群算法和支持向量機(jī)的船舶結(jié)構(gòu)優(yōu)化[D]. 何小二.上海交通大學(xué) 2014
[4]基于粒子群優(yōu)化支持向量機(jī)的變壓器故障診斷和預(yù)測(cè)[D]. 張艷.西華大學(xué) 2011



本文編號(hào)：3190600