改進的免疫進化算法在多核SVM參數(shù)優(yōu)化中的應用研究.pdf

1、支持向量機是統(tǒng)計學習發(fā)展的產(chǎn)物，是以訓練誤差作為優(yōu)化問題的約束條件，以置信范圍值最小化為目標，基于結(jié)構風險最小化準則，集成了最大間隔超平面、Mercer核、凸二次規(guī)劃和非負松弛因子等多項技術的學習方法。由于支持向量機算法具有收斂速度快、穩(wěn)定性強以及泛化能力強等特點，早已替代了傳統(tǒng)的神經(jīng)網(wǎng)絡算法。對特征向量進行研究過程中，通過轉(zhuǎn)換低維空間不可分數(shù)據(jù)的思想，將低維不可分的向量轉(zhuǎn)換到高維特征空間中，在高維空間中構造決策函數(shù)，從而將原本不可分的

2、數(shù)據(jù)轉(zhuǎn)化成可分的數(shù)據(jù)。核函數(shù)的引入增加了線性學習器的分類能力。由于全局核函數(shù)、局部核函數(shù)以及核函數(shù)的相關參數(shù)的影響，它們的分類性能并不是很理想。此外，在實際應用中，也很難使用單一的核函數(shù)來表達實踐中各種數(shù)據(jù)所隱藏的復雜規(guī)律。近年來，學者們提出了一種基于多核的支持向量機模型，它是一類靈活性更強應用更廣的基于核的學習模型，現(xiàn)已成為核機器學習領域的研究熱點。利用單核函數(shù)組合而成的多核函數(shù)支持向量機模型可以獲得比單一核函數(shù)支持向量機算法更好的分

3、類性能。本文以核函數(shù)的支持向量機算法為基礎，重點研究了多核函數(shù)的支持向量機算法，提出了一種基于多群競爭的并行免疫進化算法的參數(shù)優(yōu)化算法，并將其應用在故障診斷和混沌預測領域。
　　本文首先介紹了支持向量機的發(fā)展過程和研究現(xiàn)狀，提出了支持向量機的優(yōu)點和應用范圍，以及國內(nèi)外的研究現(xiàn)狀。支持向量機改善了傳統(tǒng)的神經(jīng)網(wǎng)絡算法面對有限樣本情況的不足，解決了傳統(tǒng)方法無法避免的局部極值問題和維數(shù)災難問題，并且有較好的分類性能。
　　其次介紹了

4、多核函數(shù)的支持向量機。在多核函數(shù)的支持向量機中，多核函數(shù)對數(shù)據(jù)特征的描述能力更強，核函數(shù)也具有更強的推廣能力，同時增強了決策函數(shù)的可解釋性。在比較流行的智能優(yōu)化算法中，本文以免疫進化算法為核心思想并將其改進，提出一種基于多群競爭的并行免疫進化算法的多核函數(shù)參數(shù)優(yōu)化算法。通過應用較廣的五個基準函數(shù)，驗證了該優(yōu)化算法可以提升決策函數(shù)的表示能力和穩(wěn)定性，增強了決策函數(shù)的可解釋性，具有更強的推廣能力。
　　最后，將該算法應用到故障檢測和混