针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(f...针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(fuzzy kernel cluster granular support vector machine,FKC-GSVM)。FKC-GS-VM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。展开更多
孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,...孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.展开更多
针对标准乌鸦搜索算法存在收敛速度慢、寻优精度低、位置更新具有盲目性的不足,提出一种融合Jaya高斯变异的自适应乌鸦搜索算法(adaptive crow search algorithm with Jaya algorithm and Gaussian mutation,GMJCSA)。通过高斯变异优化...针对标准乌鸦搜索算法存在收敛速度慢、寻优精度低、位置更新具有盲目性的不足,提出一种融合Jaya高斯变异的自适应乌鸦搜索算法(adaptive crow search algorithm with Jaya algorithm and Gaussian mutation,GMJCSA)。通过高斯变异优化全局最优个体和自适应步长的合理变化,提高算法的收敛能力和寻优精度。在引导者发现自己被跟随的情况下引入Jaya算法,克服位置更新具有盲目性的不足。将GMJCSA用于16个基准函数优化和减速器设计问题,与其他智能算法进行试验对比,GMJCSA能取得更好的解。试验结果表明,GMJCSA对于函数优化和减速器设计问题能够较好地寻优求解,总体性能良好。展开更多
针对光滑孪生支持向量机(smooth twin support vector machines,STWSVM)采用的Sigmoid光滑函数逼近精度低的问题,提出一种基于Newton-Armijo优化的多项式光滑孪生支持向量机(polynomial smooth twin support vector machines based on N...针对光滑孪生支持向量机(smooth twin support vector machines,STWSVM)采用的Sigmoid光滑函数逼近精度低的问题,提出一种基于Newton-Armijo优化的多项式光滑孪生支持向量机(polynomial smooth twin support vector machines based on Newton-Armijo optimization,PSTWSVM-NA)。在PSTWSVM-NA中,引入正号函数,将孪生支持向量机的两个二次规划问题转化为两个不可微的无约束优化问题。随后,引入一族多项式光滑函数对不可微的无约束优化问题进行光滑逼近,并用收敛速度快的Newton-Armijo方法求解新模型。从理论上证明了PSTWSVM-NA模型具有任意阶光滑性,在人工数据和UCI数据集上的实验结果表明该算法具有较高的分类精度和较快的训练效率。展开更多
文摘针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(fuzzy kernel cluster granular support vector machine,FKC-GSVM)。FKC-GS-VM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。
文摘孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.
文摘针对标准乌鸦搜索算法存在收敛速度慢、寻优精度低、位置更新具有盲目性的不足,提出一种融合Jaya高斯变异的自适应乌鸦搜索算法(adaptive crow search algorithm with Jaya algorithm and Gaussian mutation,GMJCSA)。通过高斯变异优化全局最优个体和自适应步长的合理变化,提高算法的收敛能力和寻优精度。在引导者发现自己被跟随的情况下引入Jaya算法,克服位置更新具有盲目性的不足。将GMJCSA用于16个基准函数优化和减速器设计问题,与其他智能算法进行试验对比,GMJCSA能取得更好的解。试验结果表明,GMJCSA对于函数优化和减速器设计问题能够较好地寻优求解,总体性能良好。
文摘针对光滑孪生支持向量机(smooth twin support vector machines,STWSVM)采用的Sigmoid光滑函数逼近精度低的问题,提出一种基于Newton-Armijo优化的多项式光滑孪生支持向量机(polynomial smooth twin support vector machines based on Newton-Armijo optimization,PSTWSVM-NA)。在PSTWSVM-NA中,引入正号函数,将孪生支持向量机的两个二次规划问题转化为两个不可微的无约束优化问题。随后,引入一族多项式光滑函数对不可微的无约束优化问题进行光滑逼近,并用收敛速度快的Newton-Armijo方法求解新模型。从理论上证明了PSTWSVM-NA模型具有任意阶光滑性,在人工数据和UCI数据集上的实验结果表明该算法具有较高的分类精度和较快的训练效率。
