基于多元宇宙优化算法的SVM参数优化
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-13页 |
| 1.1 研究的背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容及组织结构 | 第12-13页 |
| 2 预备知识 | 第13-26页 |
| 2.1 支持向量机 | 第13-22页 |
| 2.1.1 支持向量机分类准则 | 第13-15页 |
| 2.1.2 最优分离超平面 | 第15-17页 |
| 2.1.3 核函数及Mercer定理 | 第17-18页 |
| 2.1.4 线性支持向量机 | 第18-20页 |
| 2.1.5 非线性支持向量机 | 第20-22页 |
| 2.2 多元宇宙优化算法 | 第22-26页 |
| 2.2.1 多元宇宙优化算法理论 | 第22-23页 |
| 2.2.2 数学模型 | 第23-25页 |
| 2.2.3 算法规则 | 第25-26页 |
| 3 基于W-IMVO算法优化SVM参数 | 第26-36页 |
| 3.1 改进思路 | 第26-28页 |
| 3.2 算法步骤 | 第28-29页 |
| 3.3 数值实验 | 第29-34页 |
| 3.3.1 实验数据提取与预处理 | 第29-31页 |
| 3.3.2 μ值对SVM模型性能的影响 | 第31-33页 |
| 3.3.3 实验结果与分析 | 第33-34页 |
| 3.4 小结 | 第34-36页 |
| 4 基于T-IMVO算法优化SVM参数 | 第36-45页 |
| 4.1 改进思路 | 第36-37页 |
| 4.2 算法步骤 | 第37-39页 |
| 4.3 数值实验 | 第39-44页 |
| 4.3.1 实验数据提取与预处理 | 第39-40页 |
| 4.3.2 η值对SVM模型性能的影响 | 第40-43页 |
| 4.3.3 实验结果与分析 | 第43-44页 |
| 4.4 小结 | 第44-45页 |
| 5 实例分析 | 第45-50页 |
| 5.1 问题分析 | 第45-47页 |
| 5.1.1 问题描述 | 第45-46页 |
| 5.1.2 构造支持向量机模型 | 第46-47页 |
| 5.2 实验结果与分析 | 第47-49页 |
| 5.2.1 数据提取及预处理 | 第47-48页 |
| 5.2.2 实验结果与分析 | 第48-49页 |
| 5.3 小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 作者简历 | 第53-55页 |
| 学位论文数据集 | 第55-56页 |
