计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2013年
4期
222-225
,共4页
支持向量机%人工鱼群算法%参数优化%回归模型%遗传算法%粒子群优化
支持嚮量機%人工魚群算法%參數優化%迴歸模型%遺傳算法%粒子群優化
지지향량궤%인공어군산법%삼수우화%회귀모형%유전산법%입자군우화
Support Vector Machine(SVM)%Artificial Fish Swarm Algorithm(AFSA)%parameter optimization%regression model%Genetic Algorithm(GA)%Particle Swarm Optimization(PSO)
由于参数的选择范围较大,在多个参数中进行盲目搜索最优参数的时间代价较大,且很难得到最优参数.为此,提出一种基于改进人工鱼群算法(AFSA)的支持向量机(SVM)预测算法.对AFSA进行改进,并使用改进算法优化SVM.实验结果表明,与遗传算法、粒子群优化算法和基本AFSA优化的支持向量机相比,该算法的均方误差降低为2.51×10-3,提高了预测精度.
由于參數的選擇範圍較大,在多箇參數中進行盲目搜索最優參數的時間代價較大,且很難得到最優參數.為此,提齣一種基于改進人工魚群算法(AFSA)的支持嚮量機(SVM)預測算法.對AFSA進行改進,併使用改進算法優化SVM.實驗結果錶明,與遺傳算法、粒子群優化算法和基本AFSA優化的支持嚮量機相比,該算法的均方誤差降低為2.51×10-3,提高瞭預測精度.
유우삼수적선택범위교대,재다개삼수중진행맹목수색최우삼수적시간대개교대,차흔난득도최우삼수.위차,제출일충기우개진인공어군산법(AFSA)적지지향량궤(SVM)예측산법.대AFSA진행개진,병사용개진산법우화SVM.실험결과표명,여유전산법、입자군우화산법화기본AFSA우화적지지향량궤상비,해산법적균방오차강저위2.51×10-3,제고료예측정도.
