导读:本文包含了核参数优化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:向量,参数,函数,分量,算法,特征,网格。
核参数优化论文文献综述
张凯,齐恬婧,彭开香,储若慧[1]（2019）在《故障检测中核参数优化方法性能评估》一文中研究指出近年来,基于核主元分析与核偏最小二乘的方法经常被应用于过程监控与故障检测领域以克服工业过程的非线性.研究发现此类方法的检测性能很大程度上受核参数的影响,而目前学术界对该参数的优化方法研究较少.因此,本文以最常用的高斯核方法为例,首先总结了3类常用的核参数优化方法:二分法、基于BP神经网络的重构法和基于样本分类的重构法;其次重点分析每个方法的特点和它们之间的联系,并评估它们的性能;最后将上述方法设计成一个核参数优化系统应用于热连轧过程的故障检测中.应用结果表明,优化后的核参数能显着提高故障检测性能.(本文来源于《控制理论与应用》期刊2019年09期）
刘路民根[2]（2018）在《支持向量机径向基核参数优化研究》一文中研究指出支持向量机在机器学习中表现良好。基于径向基(RBF)核的支持向量机的分类和回归性能受其核参数的影响。为了获得最优的分类和回归预测结果,选择合适的核参数设置对提高分类和回归预测的准确度非常重要。本文使用网格搜索算法、遗传算法、粒子群优化算法分别进行径向基(RBF)核参数寻优。对比实验表明,网格搜索算法具有一定优势。(本文来源于《科学技术创新》期刊2018年26期）
陈晓燕[3]（2018）在《基于核参数优化的SVM方法及其在股市中的应用研究》一文中研究指出股票市场对国家经济发展有着举足轻重的意义,对经济发展发挥着重要作用。对股票价格的预测研究无论是对个人和企业的投资者以及政府有关部门制定相关经济政策都有着重要的意义。随着统计机器学习领域的发展,各种智能算法也不断涌现。从股票价格的特点来看,它在短期具有很大的不确定性,但是在长期趋势上则符合统计学规律。因此,在有限样本的情况下,通过机器学习算法来预测股票价格,是股票预测研究中的一个重要发展方向。其中,支持向量机(SVM)方法有着很强的优势,它对样本量的要求不大,能解决非线性问题,推广能力强。因此,本文以支持向量机方法为核心,在进行特征提取的基础之上建立了进行支持向量机核参数寻优的预测模型,获得了较好的预测结果。具体研究内容如下:1.针对上证指数技术指标数据,使用PCA方法对原始数据进行主成分分析,将46个技术指标作为输入特征进行相关性分析后剔除高相关特征实现降维,将共计754天的指标数据进行归一化处理后进行标签,继而用主成分分析得到累计方差贡献率超过85%的5个主成分和接近99%的18个主成分作为支持向量机的输入特征数据;2.在支持向量机训练过程中,本文分别使用了遗传算法、粒子群算法和人工鱼群算法对支持向量机的关键参数进行了调整,得到了比较准确的支持向量机模型。其中粒子群算法的收敛速度为最快,人工鱼群算法的预测效果表现较好;3.基于粒子群算法收敛速度快的优点和人工鱼群算法收敛效果好的优点,本文建立了基于加速人工鱼群算法的支持向量机预测模型,选用粒子群算法中的速度更新规则对人工鱼群算法的收敛速度进行优化,实证研究结果表明:在上述四种算法中,基于加速人工鱼群算法的支持向量机预测模型的综合表现最好,其交叉检验准确率在使用了PCA的情况下为79.02%,未使用PCA时为81.54%,耗时为179.01s。(本文来源于《西安理工大学》期刊2018-06-30）
王建国,陈肖洁,张文兴[4]（2016）在《支持向量回归机核参数优化研究》一文中研究指出为了解决支持向量回归机中核函数的核参数选择问题,在深入分析高斯尺度空间理论的基础上,提出了一种基于样本特征维数的高斯核的核参数选择算法.首先,初始化核参数值为样本总特征个数的倒数,选定样本输出的预测值与真实值的均方误差为评估标准;然后,利用评估标准最小化的原则来搜寻最优的核参数值;最后,应用最优的核参数值于支持向量回归机的训练和预测.UCI数据集上的实验结果表明了,相较于传统的5折交叉验证、最小二乘和神经网络算法,所提出的基于样本特片维数的核参数优化算法能高效地实现核参数的选择,收敛速度快,在回归估计中具有较好的泛化性能和预测精度,验证了该优化方法的有效性。(本文来源于《内蒙古科技大学学报》期刊2016年03期）
杨海[5]（2014）在《SVM核参数优化研究与应用》一文中研究指出支持向量机(Support Vector Machine,SVM)由Vapnik于20世纪90年代初提出,是基于统计学习理论框架下提出的一种新型模式识别方法。SVM擅长解决样本数量小、低维空间线性不可分类等问题,并且能够应用到函数拟合等其他机器学习中。SVM的分类性能主要取决于核函数以及相关参数的选择上,不合适的参数将导致分类性能降低甚至无法对样本进行分类。目前关于SVM核函数及其参数的研究越来越多并且逐渐成熟,但还没有形成一个统一的核函数参数选择方法。大多数情况下只能依靠经验或者对比实验来设定参数,这也是SVM在实际应用中的一个理论缺陷。鉴于此,本文主要的研究内容就是SVM核函数参数的优化方法及应用。本文主要讨论了以下几方面的内容：首先系统全面地介绍了SVM的基础理论,包括统计学习理论、VC维理论、结构风险最小化原则等。其次讨论与分析几种常用的SVM核函数参数选择方法,包括网格搜索法、交叉验证法以及当前热门的群智能优化算法各自的优缺点,同时基于以上的论证分析提出一种新的SVM核函数参数优化方法—改进的萤火虫仿生算法。并且通过实验分析本文所提算法在求解精度与运行时间两方面与其他算法相比具有的优势与可行性。最后将优化过的SVM分类器用于空间手写识别中。通过采集叁维加速度传感器的数据并进行预处理与特征提取,最后使用优化的分类器进行分类识别。实验表明,利用本文所提的算法优化SVM分类器在空间手写识别中具有良好的分类性能。(本文来源于《浙江大学》期刊2014-01-01）
高雷阜,张秀丽,佟盼[6]（2015）在《GA_SJ在SVM核参数优化中的应用》一文中研究指出支持向量机(SVM)是一种性能良好的机器学习方法,但是对于其参数的选择还缺少系统的理论作为指导。针对经典的SVM参数选择方法——遗传算法的一些不足,提出了改进,并将其与SVM相结合,得到自动选择核参数并进行SVM训练的算法即GA_SJ算法。该算法通过将随机搜索引入到遗传算法当中,并采用最优保存策略和动态的交叉和变异概率,有效地提高了遗传算法的效率。数值实验结果证实了GA_SJ算法在SVM参数优化中的可行性和有效性,而且得到的SVM具有较高的分类性能。(本文来源于《计算机工程与应用》期刊2015年04期）
冯涛,袁超伟[7]（2011）在《基于叁阶Rényi熵的核参数优化》一文中研究指出在Cohen类时频分布中,为使减小交叉项与保持高的时频聚集性二者之间达到最佳折中,提出了一种基于叁阶Rényi熵的核参数优化算法.根据叁阶Rényi熵对交叉项的近似不变性,通过搜索叁阶Rényi熵随核参数变化曲线下降由快变慢的转折点,可以获得最优核参数.理论分析和仿真结果表明:根据叁阶Rényi熵对核参数进行优化,可以使核函数与信号达到最佳匹配,从而得到高性能的时频分布.(本文来源于《西南交通大学学报》期刊2011年06期）
江南,王士同,贺杨成[8]（2011）在《核参数优化选取的混合C均值核模糊聚类算法》一文中研究指出为了减小噪声点对聚类中心的影响,可能性聚类算法(PCM)把可能隶属关系引入到聚类的过程中,但是其往往趋向找到相同的集群。PFCM算法同时利用隶属度与可能性把数据点划分到不同的集群中,提高了算法的抗噪能力,但PFCM算法对发现大小不相等的集群并不十分理想。针对上述问题,提出了一种核参数优化选取的混合C均值核模糊聚类算法,该算法通过利用优化选取核参数的核函数把在原始空间中非线性可分的群体转化成高维空间中同质集群。实验结果表明,该算法能更好地发现融入噪音数据集的聚类中心,获得数据集质量更好的划分。(本文来源于《计算机工程与设计》期刊2011年09期）
薛冰[9]（2011）在《Kernel PCA中核参数优化及应用》一文中研究指出主分量分析是一种用于数据压缩以及特征提取的多变量统计分析方法。该方法假定输入数据服从高斯分布。当输入数据不服从高斯分布时,方法面临着许多问题。基于核的主分量分析方法是一种新的数据特征分析方法。该方法利用了核技巧对传统主分量分析方法进行了改进,它可以有效捕捉数据的非线性特征,这使得它在很多领域的得到了广泛应用。然而,基于核的主分量分析方法的性能受核参数的影响较大。映射数据的不可表示特性使得核参数优化问题面临着很大困难。基于此,本研究主要针对核主分量分析中的核参数优化问题。本论文首先对核主分量分析和特征提取的研究背景和国内外研究现状作了简单介绍。然后介绍了在特征子空间分析数据特征的方法。最后,提出了基于高斯相似性测度和基于独立分量分析的核参数优化算法,并就其在模拟数据特征提取、手写体数字去噪和人脸去噪方面的应用进行了研究,本文的主要工作概括如下：1.针对核主分量分析的性能,分析了映射数据与高斯分布的相似性,我们提出了一种新的核参数优化方法。首先,针对映射数据在特征空间中无法表示的缺点,我们提出在特征子空间分析数据的方法。然后,为了估计投影数据对高斯分布的相似程度,发展了一种新的高斯相似性准则。在此基础上,针对投影数据具有的高维分布特性,我们提出了一种多维随机变量的高斯相似性测度。最后,得到了基于高斯相似性的核参数优化算法。2.依据独立分量分析中变量的统计相关性等于高斯性的思想,我们提出采用基于独立分量分析方法求解投影数据高斯相似性的方法。然后,针对目前独立分量分析方法存在的问题,提出了一种基于多层神经网络的独立分量分析算法,该算法可以准确地提取独立变量。在此基础上,采用改进的独立分量分析方法寻找投影数据的高斯相似性方向。最后,给出了该算法得求解步骤。3.我们针对模拟数据的特征提取、真实的手写体数字及人脸降噪仿真实验,就核参数优化算法的性能进行分析,验证了基于高斯相似性的核参数优化算法和基于独立分量分析的核参数优化算法的有效性。两种图像的降噪仿真实验的结果表明,采用本文提出的核参数优化算法可以明显提高基于核的主分量分析方法的特征提取的性能以及降噪效果。(本文来源于《西安工业大学》期刊2011-05-05）
董国君,哈力木拉提·买买提,余辉[10]（2009）在《基于RBF核的SVM核参数优化算法》一文中研究指出SVM是一种新型的机器学习方法,其分类性能的优劣主要受核函数及核参数的影响,国内外学者针对SVM核参数的选择已提出许多算法.本文首先分析了RBF核参数对SVM分类性能的影响,然后又对比分析了目前存在的几种基于RBF核的SVM核参数选择方法.通过实验,发现使用遗传算法选择核参数的SVM有比较快的搜索速度.(本文来源于《新疆大学学报(自然科学版)》期刊2009年03期）
核参数优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
支持向量机在机器学习中表现良好。基于径向基(RBF)核的支持向量机的分类和回归性能受其核参数的影响。为了获得最优的分类和回归预测结果,选择合适的核参数设置对提高分类和回归预测的准确度非常重要。本文使用网格搜索算法、遗传算法、粒子群优化算法分别进行径向基(RBF)核参数寻优。对比实验表明,网格搜索算法具有一定优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
核参数优化论文参考文献
[1].张凯,齐恬婧,彭开香,储若慧.故障检测中核参数优化方法性能评估[J].控制理论与应用.2019
[2].刘路民根.支持向量机径向基核参数优化研究[J].科学技术创新.2018
[3].陈晓燕.基于核参数优化的SVM方法及其在股市中的应用研究[D].西安理工大学.2018
[4].王建国,陈肖洁,张文兴.支持向量回归机核参数优化研究[J].内蒙古科技大学学报.2016
[5].杨海.SVM核参数优化研究与应用[D].浙江大学.2014
[6].高雷阜,张秀丽,佟盼.GA_SJ在SVM核参数优化中的应用[J].计算机工程与应用.2015
[7].冯涛,袁超伟.基于叁阶Rényi熵的核参数优化[J].西南交通大学学报.2011
[8].江南,王士同,贺杨成.核参数优化选取的混合C均值核模糊聚类算法[J].计算机工程与设计.2011
[9].薛冰.KernelPCA中核参数优化及应用[D].西安工业大学.2011
[10].董国君,哈力木拉提·买买提,余辉.基于RBF核的SVM核参数优化算法[J].新疆大学学报(自然科学版).2009
论文知识图
