支持向量机
文章平均质量分 84
无事码一章
机器学习智能算法工程师
展开
-
多策略改进的山瞪羚算法(HMGO)优化支持向量机原理及MATLAB代码复现
为了提高MGO算法的全局搜索和局部开发能力,有学者提出多策略改进的山瞪羚算法(HMGO),该算法首先采用准反向学习策略,优化种群初始化,确保初始种群的广泛性。其次引入动态自适应因子和缩放因子,调整优化机制中的参数,以提升搜索精度和效率,最后引入AOA算法中MOP和MOA系数向量加快模型局部开发和全局探索能力。原创 2024-10-07 15:01:18 · 885 阅读 · 0 评论 -
蝙蝠算法(BA)优化支持向量机原理及MATLAB代码复现
蝙蝠算法(Bat Algorithm,BA)是Xin-She Yang于2010基于蝙蝠回声定位提出的智能算法。该算法模拟蝙蝠利用回声定位来感应和猎物距离,并进行捕食的行为,从而不断更新自身位置和速度。原创 2024-10-10 08:00:00 · 620 阅读 · 0 评论 -
改进的麻雀搜索算法(MISSA)优化支持向量机原理及MATLAB代码
针对麻雀搜索算法搜索过程中易困入局部且收敛速度慢的缺陷。学者提出一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm ,MISSA),该算法首先针对SSA初始化种群均匀性差缺陷,引入 Circle 混沌映射分散生成SSA种群,其次在发现者位置的更新过程中融入自适应正余弦策略,避免模型陷入局部最优,最优采用levy飞行策略增强搜索个体随机性。原创 2024-10-09 08:00:00 · 747 阅读 · 0 评论 -
麻雀搜索算法(SSA)优化支持向量机原理及MATLAB代码复现
麻雀搜索算法(sparrow search algorithm,SSA)是Xue等人于2020年基于麻雀智慧行为提出的群体智能算法,该算法将麻雀个体分为生产者和搜索个体,模拟麻雀通过竞来争提高自身捕食率,更新生产者个体,同时每个麻雀在捕食过程需要警惕周边的天敌,并进行信息共享,实现算法优化过程开发和探索阶段。原创 2024-10-08 08:00:00 · 567 阅读 · 0 评论 -
改进的粒子群算法(IPSO)优化支持向量机原理及MATLAB代码复现
为了改善PSO算法的全局搜索性和局部开发能力,提出多策略改进的粒子群算法(IPSO),该算法引入混沌映射随机初始化种群位置,提高算法多样性、引入非线性惯性权重递减替代常数项权重,有利提高模型全局性能、引入非对称优化学习因子提高算法学习能力,通过三种策略综合提高PSO综合性能。原创 2024-10-07 08:00:00 · 544 阅读 · 0 评论 -
粒子群算法(PSO)优化支持向量机原理及MATLAB代码复现
粒子群算法(Particle swarm optimization,PSO)是Eberhart等学者在1995年基于鸟群捕食行为研究提出的智能算法。该算法模拟赋予鸟群为粒子形式,通过当前最佳和全局最佳鸟群粒子影响来实现捕食,从而更新自身位置来实现对解空间的搜索,最终更新下一轮全局和局部最优,实现进化过程。原创 2024-10-06 08:00:00 · 815 阅读 · 0 评论 -
改进的北方苍鹰算法(INGO)优化支持向量机原理及MATLAB代码复习
针对北方苍鹰优化算法存在易陷入局部最优的问题,改进北方苍鹰优化算法(INGO)。首先在种群初始化阶段,引入佳点集方法映射到搜索空间,提高了种群的多样性以及避免了早熟;其次,在位置更新阶段,加入鱼鹰局部勘探位置更新策略和自适应惯性权重因子,增强了全局勘探和局部开发能力同时提升算法的收敛速度和收敛精度。原创 2024-10-05 08:00:00 · 1009 阅读 · 0 评论 -
北方苍鹰算法(NGO)优化支持向量机原理及MATLAB代码复现
北方苍鹰算法(Northern Goshawk Optimization,NGO)是MOHAMMAD DEHGHANI等人于2021年基于北方苍鹰的捕食行为提出的群智能算法,该算法模拟苍鹰在狩猎过程中对猎物的识别、猎物的逃生、苍鹰追逐及攻击的行为,作为算法寻优过程全局搜索和局部开发。原创 2024-10-04 08:00:00 · 842 阅读 · 0 评论 -
白鲸算法(BWO)优化长短期记忆神经网络原理及MATLAB代码复现
白鲸算法(Beluga whale optimization,BWO)是Changting Zhong等人于2022年基于白鲸游泳的行为提出群智能算法,该算法模拟白鲸的游泳、猎物和鲸落行为来构造了勘探、开发和落鲸阶段,并在开发阶段利用Levy飞行函数来提高BWO的收敛能力。原创 2024-10-03 08:00:00 · 983 阅读 · 0 评论 -
白鲸算法(BWO)优化支持向量机原理及MATLAB代码复现
白鲸算法(Beluga whale optimization,BWO)是Changting Zhong等人于2022年基于白鲸游泳的行为提出群智能算法,该算法模拟白鲸的游泳、猎物和鲸落行为来构造了勘探、开发和落鲸阶段,并在开发阶段利用Levy飞行函数来提高BWO的收敛能力。原创 2024-10-03 08:00:00 · 924 阅读 · 0 评论 -
改进的鲸鱼算法(EWOA)优化支持向量机原理及Matlab代码复现
为了提高鲸鱼算法全局搜索性能和局部开发性能,Mohammad H. Nadimi-Shahraki等人于2022年提出了一种增强的鲸鱼优化算法E-WOA,利用池化机制和三种有效的搜索策略:迁移、优先选择和丰富的包围猎物来提升WOA的局部和全局性能。原创 2024-10-02 08:00:00 · 639 阅读 · 0 评论 -
改进的鲸鱼算法(IWOA)优化支持向量机原理及Matlab代码复现
为了缓解 WOAQ 易陷入局部最优和收敛精度低的问题,武泽权等人提出一种改进的鲸鱼优化算法(IWOA)。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。原创 2024-09-30 21:28:03 · 761 阅读 · 0 评论 -
鲸鱼算法(WOA)优化支持向量机原理及Matlab代码复现
鲸鱼算法(Whale Optimization Algorithm,WOA)是Seyedali Mirjalili于2016年基于基于捕食的合作想象提出群智能算法,该算法模拟鲸鱼采用最佳座头鲸或者随机鲸鱼搜索猎物,并对猎物发动螺旋气泡攻击和包围攻击的捕猎方法进行问题寻优。原创 2024-09-30 08:00:00 · 1119 阅读 · 0 评论 -
差分进化算法优化灰狼算法的混合算法(DEGWO)优化支持向量机原理及Matlab代码复现
针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,已有学者提出了一种基于差分进化( DE) 算法和灰狼( GWO) 算法的混合优化算法( DEGWO) 。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索,有效提高单一模型存在缺陷。原创 2024-09-29 20:16:58 · 538 阅读 · 0 评论 -
差分进化算法(DE)优化支持向量机原理及Matlab代码复现
差分进化算法(Differential Evolution,DE)是1995年Storn等人为了解决切比雪夫多项式问题提出进化算法,在后续发展发现其更适用解决复杂优化问题。DE算法主要通过父代个体进行交叉变异生成差分矢量和子代个体;利用选择操作,将符合误差要求个体保留至下一代。原创 2024-09-28 11:42:30 · 608 阅读 · 0 评论 -
改进的灰狼算法(IGWO)优化支持向量机原理及Matlab代码复现
改进的灰狼算法(improved grey wolf optimizer,IGWO)是Mohammad H. Nadimi-Shahraki等人在2021年基于GWO算法多样性差而提出改进智能算法。IGWO算法受益于一种新的运动策略,即基于维度学习的狩猎(DLH)搜索策略,它继承了自然界中狼的个体狩猎行为。DLH使用一种不同的方法为每只狼构建一个邻域,其中相邻的信息可以在狼之间共享,增强了局部搜索和全局搜索之间的平衡,并保持了多样性。原创 2024-09-27 16:18:54 · 302 阅读 · 0 评论 -
灰狼算法(GWO)优化支持向量机原理及Matlab代码复现
灰狼算法(Grey wolf optimizer,GWO)是学者Mirjalili于2014年基于狼群社会制度提出群智能算法,该算法模拟灰狼种群等级和捕食行为来实现优化搜索目标。原创 2024-09-27 14:45:28 · 927 阅读 · 0 评论 -
支持向量机原理及Matlab代码
支持向量机(Support Vector Machine,SVM)是基于统计学习理论和结构风险最小化原理提出机器学习分类器,该模型在解决小样本拟合问题和高维问题表现出特有的优势。模型后续在Vapnik等[]研究学者扩展下建立回归技术模型(Support Vector Regression,SVR)。该模型的基本原理将模型数据向量内积通过映射函数一一映射到高维特征空间,应用核函数在高维特征空间进行线性超平面回归分析,同时模型引入ε-不敏感损失函数来定义这个超平面。原创 2024-09-26 15:44:34 · 643 阅读 · 0 评论