基于粒子群思想改进支持向量机优化算法的研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 基本 PSO 及 SVM 简介 | 第12-13页 |
| 1.2.1 粒子群算法的研究现状 | 第12-13页 |
| 1.2.2 SVM 的研究现状 | 第13页 |
| 1.3 本文的主要工作 | 第13-15页 |
| 第2章 粒子群优化算法 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 粒子群优化算法概述 | 第15-18页 |
| 2.2.1 PSO 的基本原理 | 第15-16页 |
| 2.2.2 PSO 算法的一般流程 | 第16-17页 |
| 2.2.3 PSO 的邻域结构简述 | 第17-18页 |
| 2.3 粒子群优化算法的优化和改进 | 第18-23页 |
| 2.3.1 粒子群算法的探索方向 | 第18-20页 |
| 2.3.2 引入指数递减惯性权重和收敛因子 | 第20页 |
| 2.3.3 改进 PSO 算法的思想 | 第20-22页 |
| 2.3.4 改进 PSO 算法的步骤流程 | 第22-23页 |
| 2.4 改进 PSO 算法的仿真实验 | 第23-30页 |
| 2.4.1 标准测试函数 | 第23-25页 |
| 2.4.2 实验结果 | 第25-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 支持向量机与支持向量回归机 | 第31-42页 |
| 3.1 SVM 的基本思想 | 第31-37页 |
| 3.1.1 最优分类面 | 第31-34页 |
| 3.1.2 广义的最优分类面 | 第34-37页 |
| 3.2 支持向量机与核函数 | 第37-39页 |
| 3.3 支持向量回归机 | 第39-41页 |
| 3.3.1 支持向量回归机的基本原理 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 PSO-SVM 算法的应用 | 第42-56页 |
| 4.1 基于粒子群算法优化支持向量机 | 第42-45页 |
| 4.1.1 PSO 优化的 SVM 回归估计模型 | 第42-45页 |
| 4.2 青霉素发酵过程补料优化控制 | 第45-51页 |
| 4.2.1 微生物发酵影响因素 | 第45页 |
| 4.2.2 补料流加发酵 | 第45-46页 |
| 4.2.3 补料优化控制 | 第46-47页 |
| 4.2.4 基于 SVM 模型的补料优化控制 | 第47-51页 |
| 4.3 短期电力负荷预测 | 第51-55页 |
| 4.3.1 基于 PSO-SVM 的短期负荷预测 | 第51-52页 |
| 4.3.2 预测步骤 | 第52-53页 |
| 4.3.3 算例分析 | 第53-54页 |
| 4.3.4 结果分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
