改進的免疫進化算法在多核SVM參數優(yōu)化中的應用研究.pdf

1、支持向量機是統計學習發(fā)展的產物，是以訓練誤差作為優(yōu)化問題的約束條件，以置信范圍值最小化為目標，基于結構風險最小化準則，集成了最大間隔超平面、Mercer核、凸二次規(guī)劃和非負松弛因子等多項技術的學習方法。由于支持向量機算法具有收斂速度快、穩(wěn)定性強以及泛化能力強等特點，早已替代了傳統的神經網絡算法。對特征向量進行研究過程中，通過轉換低維空間不可分數據的思想，將低維不可分的向量轉換到高維特征空間中，在高維空間中構造決策函數，從而將原本不可分的

2、數據轉化成可分的數據。核函數的引入增加了線性學習器的分類能力。由于全局核函數、局部核函數以及核函數的相關參數的影響，它們的分類性能并不是很理想。此外，在實際應用中，也很難使用單一的核函數來表達實踐中各種數據所隱藏的復雜規(guī)律。近年來，學者們提出了一種基于多核的支持向量機模型，它是一類靈活性更強應用更廣的基于核的學習模型，現已成為核機器學習領域的研究熱點。利用單核函數組合而成的多核函數支持向量機模型可以獲得比單一核函數支持向量機算法更好的分

3、類性能。本文以核函數的支持向量機算法為基礎，重點研究了多核函數的支持向量機算法，提出了一種基于多群競爭的并行免疫進化算法的參數優(yōu)化算法，并將其應用在故障診斷和混沌預測領域。
　　本文首先介紹了支持向量機的發(fā)展過程和研究現狀，提出了支持向量機的優(yōu)點和應用范圍，以及國內外的研究現狀。支持向量機改善了傳統的神經網絡算法面對有限樣本情況的不足，解決了傳統方法無法避免的局部極值問題和維數災難問題，并且有較好的分類性能。
　　其次介紹了

4、多核函數的支持向量機。在多核函數的支持向量機中，多核函數對數據特征的描述能力更強，核函數也具有更強的推廣能力，同時增強了決策函數的可解釋性。在比較流行的智能優(yōu)化算法中，本文以免疫進化算法為核心思想并將其改進，提出一種基于多群競爭的并行免疫進化算法的多核函數參數優(yōu)化算法。通過應用較廣的五個基準函數，驗證了該優(yōu)化算法可以提升決策函數的表示能力和穩(wěn)定性，增強了決策函數的可解釋性，具有更強的推廣能力。
　　最后，將該算法應用到故障檢測和混