基于加速人工魚(yú)群的支持向量機(jī)算法研究

《基于加速人工魚(yú)群的支持向量機(jī)算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、０８３：１１分類(lèi)號(hào)：ＴＰ３０１．６單位代碼：研究生學(xué)號(hào)：２０１３５４４０４７密級(jí)公開(kāi)馨吉林大學(xué)名頁(yè)ｄｂ學(xué)位論文（專(zhuān)生學(xué)位）基于加速人工魚(yú)群的支持向量機(jī)算法研究ＲｅｓｅａｒｃｈｏｎＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅＢａｓｅｄｏｎｔｈｅＥｘｐｅｄｉｔｅｄＡｒｔ訊ｄａ－ｌＦｉｓｈｓｗａｒｍ作者姓名：劉晉禹類(lèi)別：工程碩±領(lǐng)域（方向）：軟件工程指導(dǎo)教航董立巖教授培養(yǎng)單位：軟件學(xué)院２０１６年５月基于加速人工魚(yú)群的支持向量機(jī)算法研巧ＲｅｓｅａｒｃｈｏｎＳｕｐｐｏｒｔＶｅｃｔｏｒＭａ

2、ｃｈｉｎｅＢａｓｅｄｏｎ化ｅ－ＥｘｐｅｄｉｔｅｄＡｒｔｉｆｉｃｉａｌＦｉｓｈｓｗａｒｍ作者姓名：劉晉禹領(lǐng)域（方向）；軟件工程指導(dǎo)教師：董立巖教授類(lèi)別：工程碩±■答辯日期：２０１６年Ｊ月＾日未經(jīng)本論文作者的書(shū)面授權(quán)，依法收存和保管本論文書(shū)面版本、電子版本的任何單位和個(gè)人，均不得對(duì)本論文的全部或部分內(nèi)容進(jìn)行任何形式的復(fù)制、修改、發(fā)行、出租、改編等有礙作者著作權(quán)的商化性使用（但純學(xué)術(shù)性使用不在此限）。。否則，應(yīng)承擔(dān)侵權(quán)的法律責(zé)任吉林大學(xué)碩王學(xué)位論文原創(chuàng)性聲明，本人鄭重聲明：所呈交學(xué)位論文是本人在指導(dǎo)教師的指導(dǎo)

3、下，獨(dú)立進(jìn)行研究工作所取得的譚果。除文中己經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)過(guò)的作品成果，均己在文中。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者簽名；類(lèi)?ài)停崳姡玻埃保叮掳巳眨崳娙掌冢耗暾崳娀诩铀偃斯~(yú)群的支持向量機(jī)算法研巧目前，，隨著大數(shù)據(jù)時(shí)代的到來(lái)數(shù)據(jù)挖掘的重要性就越來(lái)越突顯出來(lái)，數(shù)據(jù)挖掘是機(jī)器學(xué)習(xí)、數(shù)據(jù)庫(kù)與統(tǒng)計(jì)學(xué)相互結(jié)合的產(chǎn)物，在挖掘開(kāi)始之前我們要確定本次挖掘的目的和最好結(jié)果，在這個(gè)基拙上，我們選擇合適的算法，在進(jìn)行數(shù)據(jù)挖掘工作，而其中

4、挖掘算法也隨著不斷的研究變得越來(lái)越多，越來(lái)越普及。而支持向量機(jī)作為數(shù)據(jù)挖掘的重要算法，也越來(lái)越廣泛和流行，但支持向量機(jī)本身存在著計(jì)算過(guò)糧復(fù)雜，計(jì)算過(guò)程中的時(shí)間復(fù)雜度和空間復(fù)雜度相對(duì)過(guò)髙、。不易于并行化等問(wèn)題同時(shí)人工魚(yú)群智能算法等仿生學(xué)算法也得到了廣泛的應(yīng)用，主要應(yīng)用于求解最優(yōu)解問(wèn)題。為解決支持向量機(jī)算法中存在的問(wèn)題，本文嘗試將人工魚(yú)群智能算法融合與支持向量機(jī)算法之中。＇首先一，為進(jìn)步加強(qiáng)算法的收斂速度和算法準(zhǔn)確度，本文嘗試對(duì)支持向量機(jī)算法中的二次規(guī)劃問(wèn)題使用人工魚(yú)群算法來(lái)進(jìn)行求解。通過(guò)人工魚(yú)群智能算法進(jìn)斤對(duì)最小值的尋優(yōu)過(guò)程。實(shí)驗(yàn)結(jié)果表明

5、基于人工魚(yú)群智能算法優(yōu)化的支持向量機(jī)ＡＦＡ－算法（ＳＶＭ）具有兩者的優(yōu)點(diǎn)，即具有收斂速度快，可并行性的特點(diǎn)。同時(shí)由于人工魚(yú)群算法的將性，使得在樣本集發(fā)生變化時(shí)，原本的訓(xùn)練集仍有著參考價(jià)值，從而實(shí)現(xiàn)了增量式分類(lèi)器。其次，目前己有很多專(zhuān)家學(xué)者在對(duì)仿生學(xué)智能算法的海合算法進(jìn)斤研巧，我們利用的魚(yú)群算法與粒子群算法都是源于人們對(duì)鳥(niǎo)類(lèi)或者魚(yú)類(lèi)生活習(xí)慣特點(diǎn)的研究，大膽嘗試將兩種算法進(jìn)行融合，將粒子群算法的加速度公式應(yīng)用于人工魚(yú)一工群智能算法的聚群和追尾行為中，在人工魚(yú)進(jìn)行移動(dòng)的過(guò)程中，増加每次人魚(yú)在移動(dòng)過(guò)程中的步長(zhǎng)，而實(shí)現(xiàn)了加速人工魚(yú)群智能算法（ＥＡＦ

6、Ａ），可Ｗ增加人工魚(yú)群算法的收斂速度。－最后，我們?cè)趯?duì)基于人工魚(yú)群智能算法優(yōu)化的支持向量機(jī)算法（ＡＦＡＳＶＭ）一－ＳＶＭ一進(jìn)行改進(jìn)的基礎(chǔ)上，我們希望進(jìn)步加快ＡＦＡ算法的運(yùn)行效率，從而進(jìn)步的加快收斂速度，于是本文嘗試將加速人工魚(yú)群算法（ＥＡＦＡ）顯合于支持向量機(jī)Ａ－ＳＶＭ算法ＥＡＦＡ－－ＳＶＭ算法中，而實(shí)現(xiàn)了ＥＡＦ，實(shí)驗(yàn)結(jié)果表明，ＳＶＭ算法較ＡＦＡ實(shí)Ｉ法在收斂速度上有了顯著的提升。支持向量機(jī)，人工魚(yú)群智能算法，粒子群優(yōu)化算法，混合算法ｎＡｂｓｔｒａｃｔＲｅｓｅａｒｃｈｏｎＳｕｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅＢａｓｅｄ

7、ｏｎｔｈｅＥｘｅｄｉｔｅｄｐｐｐＡｒ－ｔｉｆｉｃｉａｌＦｉｓｈｓｗａｒｍＮｏｗｗｉｔｈｔｈｅａｒｒｉｖａｌｏｆｂｉｄａｔａｉｔｈａｓｂｅｅｎｉｎｃｒｅａｓｉｎｌｗｉｄｅｓｒｅａｄａｎｄｏｕｌａｒ，ｇ，ｇｙｐｐｐｔｏｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｐｐｌｉｃａｔｉｏｎｓ．Ｂｕｔｔｈｅｓ呼ｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｉｔｓｅｌｆｉｓａｐｐｃｏｍｌｉｃａｔｅｄｃａｌｃｕｌａｔｉｏｎｒｏｃｅｓｓ．Ａｎｄｔｈｅｃａｃｕｌａｔｉｏｎｔｍｅｃｏｍｌｅｔａｎ