由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果，并且目前参数优化缺乏理论指导，提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明，相对于标准粒子群算法，本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力，具有更高的分类精确度和效率.
2022-02-12 21:06:17
928KB
1
为了有效解决粒子群优化算法易陷入局部最优的缺陷，在粒子群优化算法（PSO）的基础上引入莱维飞行，提出了一种基于莱维飞行的粒子群优化算法（LPSO）。该算法在迭代过程中对粒子位置进化效果进行判断，若粒子多次迭代后仍无法进化到更优位置，则使用莱维飞行更新粒子位置。改进后的算法增加了粒子位置变化的活力，提高了算法的有效性。仿真实验结果表明，该算法在求解全局最优时，效果优于原始粒子群优化算法，在多峰值函数优化问题中其优越性更加突出。
2022-01-23 10:51:47
969KB
1
粒子群算法的思想源于对鸟群捕食行为的研究．模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。
2022-01-17 09:44:10
2.63MB
1
针对红外图像的火焰识别,采用基于粒子群优化算法的二维最大熵阈值选取方法,选取最佳阈值对红外图像进行分割,使可疑区域从背景中分离出来.选择物体的高度作为特征量,采用标准模板序列,设计两层模糊分类器分析物体的高度变化和灰度分布,给出可疑目标隶属于火焰的评价.实验证明,这种结合火焰动、静特性的算法鲁棒性强,识别率及灵敏度较高,适用于广范围的火灾监控.
2022-01-14 14:17:59
316KB
1
为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.
2022-01-13 16:59:11
747KB
1