欢迎来到天天文库
浏览记录
ID:35061727
大小:4.81 MB
页数:60页
时间:2019-03-17
《基于加速人工鱼群的支持向量机算法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、083:11分类号:TP301.6单位代码:研究生学号:2013544047密级公开馨吉林大学名页db学位论文(专生学位)基于加速人工鱼群的支持向量机算法研究ResearchonSupportVectorMachineBasedontheExpeditedArt讯da-lFishswarm作者姓名:刘晋禹类别:工程硕±领域(方向):软件工程指导教航董立岩教授培养单位:软件学院2016年5月基于加速人工鱼群的支持向量机算法研巧ResearchonSupportVectorMa
2、chineBasedon化e-ExpeditedArtificialFishswarm作者姓名:刘晋禹领域(方向);软件工程指导教师:董立岩教授类别:工程硕±■答辩日期:2016年J月^日未经本论文作者的书面授权,依法收存和保管本论文书面版本、电子版本的任何单位和个人,均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商化性使用(但纯学术性使用不在此限)。。否则,应承担侵权的法律责任吉林大学硕王学位论文原创性声明,本人郑重声明:所呈交学位论文是本人在指导教师的指导
3、下,独立进行研究工作所取得的谭果。除文中己经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果,均己在文中。对本文的研究做出重要贡献的个人和集体明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名;類弁2016y月八日日期:年摘要基于加速人工鱼群的支持向量机算法研巧目前,,随着大数据时代的到来数据挖掘的重要性就越来越突显出来,数据挖掘是机器学习、数据库与统计学相互结合的产物,在挖掘开始之前我们要确定本次挖掘的目的和最好结果,在这个基拙上,我们选择合适的算法,在进行数据挖掘工作,而其中
4、挖掘算法也随着不断的研究变得越来越多,越来越普及。而支持向量机作为数据挖掘的重要算法,也越来越广泛和流行,但支持向量机本身存在着计算过糧复杂,计算过程中的时间复杂度和空间复杂度相对过髙、。不易于并行化等问题同时人工鱼群智能算法等仿生学算法也得到了广泛的应用,主要应用于求解最优解问题。为解决支持向量机算法中存在的问题,本文尝试将人工鱼群智能算法融合与支持向量机算法之中。'首先一,为进步加强算法的收敛速度和算法准确度,本文尝试对支持向量机算法中的二次规划问题使用人工鱼群算法来进行求解。通过人工鱼群智能算法进斤对最小值的寻优过程。实验结果表明
5、基于人工鱼群智能算法优化的支持向量机AFA-算法(SVM)具有两者的优点,即具有收敛速度快,可并行性的特点。同时由于人工鱼群算法的将性,使得在样本集发生变化时,原本的训练集仍有着参考价值,从而实现了增量式分类器。其次,目前己有很多专家学者在对仿生学智能算法的海合算法进斤研巧,我们利用的鱼群算法与粒子群算法都是源于人们对鸟类或者鱼类生活习惯特点的研究,大胆尝试将两种算法进行融合,将粒子群算法的加速度公式应用于人工鱼一工群智能算法的聚群和追尾行为中,在人工鱼进行移动的过程中,増加每次人鱼在移动过程中的步长,而实现了加速人工鱼群智能算法(EAF
6、A),可W增加人工鱼群算法的收敛速度。-最后,我们在对基于人工鱼群智能算法优化的支持向量机算法(AFASVM)一-SVM一进行改进的基础上,我们希望进步加快AFA算法的运行效率,从而进步的加快收敛速度,于是本文尝试将加速人工鱼群算法(EAFA)顯合于支持向量机A-SVM算法EAFA--SVM算法中,而实现了EAF,实验结果表明,SVM算法较AFA實I法在收敛速度上有了显著的提升。支持向量机,人工鱼群智能算法,粒子群优化算法,混合算法nAbstractResearchonSuortVectorMachineBased
7、ontheExeditedpppAr-tificialFishswarmNowwiththearrivalofbidataithasbeenincreasinlwidesreadandoular,g,gyppptosuortvectormachineapplications.Butthes呼portvectormachineitselfisappcomlicatedcalculationrocess.Andthecaculationtmecomletan
此文档下载收益归作者所有