共查询到10条相似文献，搜索用时 15 毫秒
1.
针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。 相似文献
2.
多相机组网网络设计具有多参数、多约束、运算量大等特点,在理论上是一个复杂的优化策略问题,寻找其绝对精确的最优解通常需要很大的运算量,因此在实现时必须考虑算法效能。利用基于粗糙集的启发式属性约简算法获得特征属性的约简,在此基础上利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度,采用混沌粒子群优化（PSO）算法以避免SVM预测模型的局部优化。最后通过实验对粒子群优化（PSO）算法、改进的PSO（IPSO）算法与混沌PSO（CPSO）算法性能进行比较,分析结果表明,相比于其它方法,该方法在收敛速度以及防止局部寻优等性能方面有较大提高。 相似文献
3.
4.
最小二乘支持向量机寻优的算法在实际生活中有着广泛的应用,用量子粒子群算法（Q PSO ）优化最小二乘支持向量机模型（LS -SVM ）能极大地提高最小二乘支持向量机的寻优能力。本文利用 QPSO 算法优化 LS - SVM 模型,以MATLAB7．0为平台,对企业的销售管理问题进行寻优,兼顾了公司、营销部的利益以及客户的需求,做到均衡销售,最后使公司的利益最大,证明了方法的有效性。 相似文献
5.
为了快速、准确地对交通流进行实时预测,将扩展粒子群算法应用到支持向量机的短时交通流预测优化中.首先对交通流样本数据进行重构,建立支持向量机预测模型.然后通过扩展粒子群算法对模型中的参数进行寻优,得出最优参数和优化时间.最后经过实验仿真,比较了基于网格搜索法优化的支持向量机、基于标准粒子群优化的支持向量机和基于扩展粒子群优化的支持向量机的泛化测试结果.结果表明,基于扩展粒子群优化的支持向量机在短时交通流预测中更具优势. 相似文献
6.
支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。 相似文献
7.
提出了改进粒子群算法(IPSO)和支持向量机(SVM)的管道泄漏检测与定位的方法.采用IPSO-SVM方法对管道单孔泄漏和多孔泄漏分别进行泄漏孔的定位.提取出口压力和进口流量为特征向量,采用IPSO算法优化超平面参数并采用SVM算法对泄漏孔位置进行定位.对于两孔泄漏,将单输出支持向量机算法进行改进,使其能够用于多输出回归,从而适用于定位管道的多孔泄漏情况.在此基础上,将IPSO-SVM方法与PSO-SVM方法进行比较.预测结果显示IPSO-SVM方法对泄漏有较强的识别与定位效果,并且比PSO-SVM有更快的收敛速度,更高的预测精度. 相似文献
8.
免疫遗传优化支持向量机回归在混沌时间序列预测上的应用 总被引：1，自引：0，他引：1
在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列.算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化.免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值.对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度. 相似文献
9.
气体绝缘组合电器(GIS)内的绝缘介质SF6及其衍生物的种类与体积严重地影响G IS的绝缘能力,定量分析故障GIS内SF6衍生物有助于评估设备发生故障的原因。为了从GIS设备内SF6气体的红外光谱中获取衍生物的种类及体积,使用支持向量机(SVM)回归法建立了SF6及其部分衍生物的定量分析模型,采用粒子群优化(PSO)算法对支持向量机的参数进行了优化选择,与遍历选择参数方法相比,粒子群优化避免了交叉验证的耗时与盲性。 相似文献
10.
为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。 相似文献