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

来源：

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

页码：867 / 869

页数：3

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 .

[2] 用于回归估计的支持向量机方法 [J].

杜树新 ;

吴铁军 .

[3] 纳微米科学与技术在木材工业的应用前景展望 [J].

马岩 .

[4] 关于统计学习理论与支持向量机 [J].

张学工 .

[5] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

[6] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

[7]

Particle swarm optimization .2 J Kennedy,R C Eberhart. Proc IEEE international conference on Neural Networks . 1995