人民珠江
人民珠江
인민주강
PEARL RIVER
2015年
2期
29-32
,共4页
径流预测%果蝇优化算法%支持向量机
徑流預測%果蠅優化算法%支持嚮量機
경류예측%과승우화산법%지지향량궤
Runoff forecasting%Fly optimization algorithmand%Support vector machine
针对支持向量机( SVM)学习参数难以确定的不足,利用果蝇优化算法( FOA)搜寻SVM学习参数———惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化( PSO)算法、遗传优化( GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOA-SVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。
針對支持嚮量機( SVM)學習參數難以確定的不足,利用果蠅優化算法( FOA)搜尋SVM學習參數———懲罰因子和覈函數參數,提齣FOA-SVM預測模型,併構建基于粒子群優化( PSO)算法、遺傳優化( GA)算法搜尋SVM學習參數的PSO-SVM和GA-SVM模型作為對比,以雲南省董湖站年徑流預測進行實例研究。結果錶明,FOA-SVM模型預測精度優于PSO-SVM和GA-SVM模型,具有較高的預測精度和汎化能力。
침대지지향량궤( SVM)학습삼수난이학정적불족,이용과승우화산법( FOA)수심SVM학습삼수———징벌인자화핵함수삼수,제출FOA-SVM예측모형,병구건기우입자군우화( PSO)산법、유전우화( GA)산법수심SVM학습삼수적PSO-SVM화GA-SVM모형작위대비,이운남성동호참년경류예측진행실례연구。결과표명,FOA-SVM모형예측정도우우PSO-SVM화GA-SVM모형,구유교고적예측정도화범화능력。
According to the support vector machine ( SVM) learning parameters are difficult to determine, using Drosophila optimization algorithm ( FOA) search SVM learning parameters———the penalty factor and kernel parameter, put forward FOA -SVM prediction model, and construct based on particle swarm optimization ( PSO) algorithm, a genetic optimization ( GA) algorithm to search the SVM for learning parameters of PSO-SVM model and GA-SVM model as a comparison, in Yunnan Province, Dong Lake Station annual runoff prediction for case study. The results show that: the FOA-SVM model prediction accuracy is better than PSO-SVM and GA-SVM models, have higher prediction precision and generalization ability.
