改进的支持向量机算法及应用.pdfVIP

重庆市电机工程学会 2012 年学术会议论文 改进的支持向量机算法及其应用 1 1 1，3 2 2 2 彭光金 ，俞集辉 ，司海涛 ，杨蕴华 ，李世勉 ，谭柯 （1.输配电装备及系统安全与新技术国家重点实验室，重庆 400030 ，2.重庆市电力公司 重庆 400030 ， 3.衢州市电力公司 浙江 衢州 324000 ） 摘要：支持向量机算法(SVM)应用于具有小样本特征的实 化 APSO （Adaptive Particle Swarm Optimization ） 际问题时是否能获得到良好的预测效果，取决于能否成 算法，并将 APSO 算法用于 SVM 的参数的设置 功地设置该算法的关键参数，这一瓶颈问题一直阻碍着 和优化。从而改善了 SVM 算法中参数设置依靠 该算法在具有小样本特性的实际工程中的应用。论文在 专家建议，缺乏理论依据，而不能很好的与工程 分析 SVM 回归估计方法参数性能的基础上，提出了以自 数据本身相结合的难题。 适应粒子群算法(APSO)优化 SVM 关键参数的改进 SVM 粒子群优化算法 算法，并以变电工程为背景提出了相应的工程造价预测 设粒子群在一个 n 维空间中有哪些信誉好的足球投注网站，由 m 个粒 Z Z Z 模型。运用此模型，对某实际变电工程实例进行了造价 子组成种群:Z={ 1 ， 2 ，…. ， m }，其中的每 Z 预测仿真分析，并与传统的支持向量机算法进行比较， 一个粒子所处的位置 i ＝{z i 1 ，z i 2 ，…，z in }。每 说明改进的支持向量机算法具有良好的变电工程造价预 ={ , ... , } V    个粒子都有一个速度，记做 i i1 i2 in 。那么每个 测精度，且速度较快。 粒子的速度和位置将根据式(1)和式(2)变化。   t  1  （t） （t） rand () p (t)  (t)  vid vid c1 id z id 关键词：粒子群算法，支持向量机算法，变电工程造价 c（t）rand () p (t)  z id(t)  (1) 2 g 1 引言 zid(t+1) =zid(t)  vid(t+1) (2)