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

1、支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)發(fā)展的產(chǎn)物，是以訓(xùn)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(biāo)，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，集成了最大間隔超平面、Mercer核、凸二次規(guī)劃和非負(fù)松弛因子等多項(xiàng)技術(shù)的學(xué)習(xí)方法。由于支持向量機(jī)算法具有收斂速度快、穩(wěn)定性強(qiáng)以及泛化能力強(qiáng)等特點(diǎn)，早已替代了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法。對特征向量進(jìn)行研究過程中，通過轉(zhuǎn)換低維空間不可分?jǐn)?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(gòu)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(xué)習(xí)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(guān)參數(shù)的影響，它們的分類性能并不是很理想。此外，在實(shí)際應(yīng)用中，也很難使用單一的核函數(shù)來表達(dá)實(shí)踐中各種數(shù)據(jù)所隱藏的復(fù)雜規(guī)律。近年來，學(xué)者們提出了一種基于多核的支持向量機(jī)模型，它是一類靈活性更強(qiáng)應(yīng)用更廣的基于核的學(xué)習(xí)模型，現(xiàn)已成為核機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。利用單核函數(shù)組合而成的多核函數(shù)支持向量機(jī)模型可以獲得比單一核函數(shù)支持向量機(jī)算法更好的分

3、類性能。本文以核函數(shù)的支持向量機(jī)算法為基礎(chǔ)，重點(diǎn)研究了多核函數(shù)的支持向量機(jī)算法，提出了一種基于多群競爭的并行免疫進(jìn)化算法的參數(shù)優(yōu)化算法，并將其應(yīng)用在故障診斷和混沌預(yù)測領(lǐng)域。
　　本文首先介紹了支持向量機(jī)的發(fā)展過程和研究現(xiàn)狀，提出了支持向量機(jī)的優(yōu)點(diǎn)和應(yīng)用范圍，以及國內(nèi)外的研究現(xiàn)狀。支持向量機(jī)改善了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)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(zāi)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(jī)。在多核函數(shù)的支持向量機(jī)中，多核函數(shù)對數(shù)據(jù)特征的描述能力更強(qiáng)，核函數(shù)也具有更強(qiáng)的推廣能力，同時(shí)增強(qiáng)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(jìn)化算法為核心思想并將其改進(jìn)，提出一種基于多群競爭的并行免疫進(jìn)化算法的多核函數(shù)參數(shù)優(yōu)化算法。通過應(yīng)用較廣的五個(gè)基準(zhǔn)函數(shù)，驗(yàn)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(qiáng)了決策函數(shù)的可解釋性，具有更強(qiáng)的推廣能力。
　　最后，將該算法應(yīng)用到故障檢測和混