基于PSO优化的SVM预测应用研究

被引:30
作者
任洪娥
霍满冬
机构
[1] 东北林业大学信息与计算机工程学院
关键词
支持向量机; 粒子群优化算法; 握钉力; 预测;
D O I
暂无
中图分类号
TP181 [自动推理、机器学习];
学科分类号
摘要
支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。
引用
收藏
页码:867 / 869
页数:3
相关论文
共 7 条
[1]   车用微米木纤维模压制品设备的研究与实验 [J].
潘承怡 ;
逄海峰 ;
马岩 .
机械工程师, 2007, (09) :29-31
[2]   用于回归估计的支持向量机方法 [J].
杜树新 ;
吴铁军 .
系统仿真学报, 2003, (11) :1580-1585+1633
[3]   纳微米科学与技术在木材工业的应用前景展望 [J].
马岩 .
林业科学, 2001, (06) :109-112
[4]   关于统计学习理论与支持向量机 [J].
张学工 .
自动化学报, 2000, (01) :36-46
[5]   Least squares support vector machine classifiers [J].
Suykens, JAK ;
Vandewalle, J .
NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300
[6]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297
[7]  
Particle swarm optimization .2 J Kennedy,R C Eberhart. Proc IEEE international conference on Neural Networks . 1995