一种基于遗传算法的支持向量机分类器参数选择的蜂蜜检测方法.pdf
佳晨****ng
亲,该文档总共23页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于遗传算法的支持向量机分类器参数选择的蜂蜜检测方法.pdf
一种基于遗传算法的支持向量机分类器参数选择的蜂蜜检测方法,其特征在于所述遗传算法的基本运算过程:1)数据初始化:设置最大进化代数,随机生成的个体数及其所构成的群体。选择个体数20个,最大迭代次数100代。2)个体评价:计算群体中各个个体的适应度,本申请中适应度为样本分类的准确率。3)选择运算:利用选择算子对群体中的各个个体进行随机选择。本申请中利用轮盘赌法结合个体评价的准确率对个体进行选择,从而将适应度较高的个体信息可以遗传到下一代。4)交叉运算:利用交叉算子对个体中的个体进行叠加重组产生新的个体,集成上
一种基于网格优化的支持向量机分类器参数选择的蜂蜜检测方法.pdf
一种基于网格优化的支持向量机分类器参数选择的蜂蜜检测方法,其特征在于网格优化利用穷举法,在预先估计的取值范围内按一定的步长对范围内的所有点进行逐个搜索,确定最终最优参数,以2为底数,在2-4到210间对r和c进行穷举搜索。当c=5.2780,r=0.1088时,训练集样本判别准确率最高,为96.25%,在此条件下,建立模型,利用预测集进行检验。最终判别准确率为96.20%,样本76/79,其中油菜蜜23/23,椴树蜜16/17,洋槐蜜37/39。
一种基于粒子群算法的支持向量机分类器参数选择的蜂蜜检测方法.pdf
一种基于粒子群算法的支持向量机分类器参数选择的蜂蜜检测方法,其特征在于初始化随机个体,通过计算当前个体适应度函数值与群体最优适应值间差距进行个体变更,相比于遗传算法,粒子群算法收敛更快,在6代左右就达到最优点,优化结果为:训练集最高准确率为91.25%,c=32.3362,r=0.0100,此条件下,预测准确率为88.61%,其中油菜蜜21/23,椴树蜜14/17,洋槐蜜36/39。
基于小生境遗传算法的支持向量机分类器参数优化.docx
基于小生境遗传算法的支持向量机分类器参数优化随着机器学习算法的不断发展和应用,支持向量机(SupportVectorMachine,SVM)已经成为了一个非常重要的分类算法。然而,在实际应用中,SVM的性能往往受到其参数的影响。例如,在SVM的核函数中,高斯核函数具有非常广泛的应用,但是其参数(sigma)的选择对于分类结果的影响非常大。因此,如何选择合适的SVM参数已经成为了一个热门的研究方向。近年来,小生境遗传算法(NicheGeneticAlgorithm,NGA)因其具有高效性、易移植性和适应性等
基于佳点集遗传算法的支持向量机的参数选择.docx
基于佳点集遗传算法的支持向量机的参数选择基于佳点集遗传算法的支持向量机的参数选择支持向量机(SVM)是一种广泛应用于分类、回归或异常检测等领域的有监督学习算法。SVM的主要思想是通过寻找最优超平面将数据划分为不同的类别。SVM一般具有较好的分类性能,但是在实际应用中,SVM的参数选择对其性能影响很大。因此,如何选择合适的参数成为SVM的一个重要问题。目前,SVM的参数选择主要靠经验和试错的方法。但是,这种方法不仅费时费力,而且参数选择的结果无法保证最优性。因此,有必要研究一种更加高效和可靠的自动参数选择方