資源描述：
《基于粒子群思想改進支持向量機優(yōu)化算法的研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、國內圖書分類號：TPl83工學碩士學位論文基于粒子群思想改進支持向量機優(yōu)化算法的研究碩士研究生：馮一博導師：滿春濤申請學位級別：工學碩士學科、專業(yè)：控制理論與控制工程所在單位：自動化學院答辯日期：2013年3月授予學位單位：哈爾濱理：r大學哈爾濱理T人學-T．學碩．1：學位論文ClassifiedIndex：TP183DissertationfortheMasterDegreeinEngineeringImprovedSupportVectorMachineBasedOnParticleSwarmOptimizationCandidate：
2、Supervisor：AlgorithmFengYiboChuntaoManAcademicDegreeAppliedfor：MasterofEngineeringSpecialty3ControlTheoryandControlEngineeringDateofOralExamination：March，2013University：HarbinUniversityofScienceandTechnologv哈爾濱理T人學T學碩}：學位論文哈爾濱理工大學碩士學位論文原創(chuàng)性聲明本人鄭重聲明：此處所提交的碩士學位論文《基于粒子群思想改進支持向
3、量機優(yōu)化算法的研究》，是本人在導師指導下，在哈爾濱理工大學攻讀碩士學位期間獨立進行研究工作所取得的成果。據(jù)本人所知，論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對本文研究工作做出貢獻的個人和集體，均在文中以明確方式注明。本聲明的法律結果將由本人承擔。作者簽名：馮一氆日期：加房年4月／日哈爾濱理工大學碩士學位論文使用授權書《基于粒子群思想改進支持向量機優(yōu)化算法的研究》系本人在哈爾濱理工大學攻讀碩士學位期間在導師指導下完成的碩士學位論文。本論文的研究成果歸哈爾濱理工大學所有，本論文的研究內容不得以其它單位的名義發(fā)表。本人完全了解哈爾
4、濱理工大學關于保存、使用學位論文的規(guī)定，同意學校保留并向有關部門提交論文和電子版本，允許論文被查閱和借閱。本人授權哈爾濱理工大學可以采用影印、縮印或其他復制手段保存論文，可以公布論文的全部或部分內容。本學位論文屬于保密口，在年解密后適用授權書。不保密團。(請在以上相應方框內打√)作者簽名：7馬一錯同期：咖房年4月／同釧獬：詢銘響f嘲，：艫㈣同哈爾濱理T大學T學碩-：學位論文基于粒子群思想改進支持向量機優(yōu)化算法的研究摘要隨著科技的日益進步和社會的發(fā)展，現(xiàn)代工業(yè)過程呈現(xiàn)出多變量耦合、強非線性以及模型不確定等復雜特性，嚴重制約著工業(yè)的生產和快速發(fā)
5、展。如何對復雜的工業(yè)生產過程進行準確的預測和控制成為了當今學者研究的一個熱點問題。而人工智能算法以其應用領域廣、易建模等特點在近些年得到了快速發(fā)展。通過基于粒子群和支持向量機智能算法，對青霉素發(fā)酵過程中的補料優(yōu)化控制過程以及電力系統(tǒng)領域的短期負荷預測問題進行了分析和研究。首先針對粒子群算法(PSO：ParticleSwarmOptimization)計算形式簡單，復雜度比較低，需要確定的參數(shù)個數(shù)少，同時能夠保證算法模型的最終收斂精度比較高的這些原理和特點進行了分析，然后矸對粒子群算法容易陷入局部陷阱、空間探索能力以及進行快速收斂質量差等缺點
6、，分別引入指數(shù)遞減慣性權重、收斂因子以及模擬退火算法對原始粒子群算法進行改進，通過四組標準測試函數(shù)對改進的粒子群算法進行驗證，結果表明基于禁忌搜索退火原理的PSO算法在運算速度以及搜索能力上都有明顯的提高。基于結構風險最小化的支持向量機(SVM)算法能夠在小樣本數(shù)據(jù)下建立非常好的非線性映射模型，大大降低了模型的復雜度，克服了粒子群算法容易陷入局部極小值的缺陷，同時相對于粒子群算法還具有很強的泛化能力。但學習能力較差，受懲罰因子以及核函數(shù)參數(shù)影響很大，且傳統(tǒng)的參數(shù)選擇方法既費時又效率低下，急需要一種新的參數(shù)選擇方法對其進行優(yōu)化。通過對PSO以
7、及SVM算法的分析與對比，將兩者結合起來，利用改進后的PSO算法對SVM模型中的懲罰因子及核函數(shù)參數(shù)進行優(yōu)化，采用優(yōu)化參數(shù)后的SVM算法和模型進行預測和控制，形成PSO．SVM算法。首先對青霉素發(fā)酵過程進行補料的控制模型進行PSO．SVM優(yōu)化，結果表明基于PSO．SVM算法的生產過程更加穩(wěn)定、產量有所提高同時又能縮短發(fā)酵時間；其次對短期電力負荷進行基于PSO—SVM算法的建模與預測，并與常規(guī)的SVM算法進行對比，結果表f糾改進后的電力負荷預測模型精度更高且運算速度顯著提高。哈爾濱理T人學T學碩}：學位論義關鍵詞粒子群算法；支持向量機；人工智
8、能；青霉素發(fā)酵；電力負荷ImprovedSupportVectorMachineBaseOnParticleSwarmOptimizationAlgorithmAbstractW
