计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2014年
15期
30-33,41
,共5页
刘甲甲%王凯%袁建英%江晓亮%李柏林
劉甲甲%王凱%袁建英%江曉亮%李柏林
류갑갑%왕개%원건영%강효량%리백림
量子粒子群算法%径向基函数%支持向量机%模型优化%铁路扣件
量子粒子群算法%徑嚮基函數%支持嚮量機%模型優化%鐵路釦件
양자입자군산법%경향기함수%지지향량궤%모형우화%철로구건
Quantum Particle Swarm Optimization(QPSO)%Radial Basis Function(RBF)%Support Vector Machine(SVM)%model optimization%railway fastener
在开发的铁路扣件检测系统中,RBF-SVM被作为扣件图像分类识别的分类器。核参数的选择是RBF-SVM模型优化研究中的重要问题,将量子粒子群算法应用于参数的优化选择,在(c,γ)参数可调范围内产生初始种群,将种群中的个体作为RBF-SVM的参数进行学习;经过多次迭代获得最佳参数对(c,γ),并将该参数对作为RBF-SVM的核参数训练支持向量机。实验表明,QPSO的性能优于传统的 PSO算法,该方法在解决支持向量机优化方面表现出了高效的收敛性和稳定性,并且在该方法的基础上形成的铁路扣件检测算法是切实可行的。
在開髮的鐵路釦件檢測繫統中,RBF-SVM被作為釦件圖像分類識彆的分類器。覈參數的選擇是RBF-SVM模型優化研究中的重要問題,將量子粒子群算法應用于參數的優化選擇,在(c,γ)參數可調範圍內產生初始種群,將種群中的箇體作為RBF-SVM的參數進行學習;經過多次迭代穫得最佳參數對(c,γ),併將該參數對作為RBF-SVM的覈參數訓練支持嚮量機。實驗錶明,QPSO的性能優于傳統的 PSO算法,該方法在解決支持嚮量機優化方麵錶現齣瞭高效的收斂性和穩定性,併且在該方法的基礎上形成的鐵路釦件檢測算法是切實可行的。
재개발적철로구건검측계통중,RBF-SVM피작위구건도상분류식별적분류기。핵삼수적선택시RBF-SVM모형우화연구중적중요문제,장양자입자군산법응용우삼수적우화선택,재(c,γ)삼수가조범위내산생초시충군,장충군중적개체작위RBF-SVM적삼수진행학습;경과다차질대획득최가삼수대(c,γ),병장해삼수대작위RBF-SVM적핵삼수훈련지지향량궤。실험표명,QPSO적성능우우전통적 PSO산법,해방법재해결지지향량궤우화방면표현출료고효적수렴성화은정성,병차재해방법적기출상형성적철로구건검측산법시절실가행적。
In the railway fastener detection system, RBF-SVM is used as image classifier for railway fasteners. The selection of kernel parameters is an important problem in RBF-SVM research. A parameter selection method based on quantum genet-ic algorithm(QPSO)is presented. Initial population is produced in the adjustable range of parameters c and γ, and individuals in it are used as the parameters of RBF-SVM to calculation; then by multi-iterations, the parameters (c,γ) are obtained which are corresponding to fitness of population, and used as kernel parameters of Radial Basis kernel Function of Support Vector Machine(RBF-SVM)to training model. The experimental results indicate that the QPSO algorithm outperforms PSO algorithm. It has a high convergence and stability, and the detection algorithm of rail fastener based on it is practicable.