基于加速人工鱼群的支持向量机算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 支持向量机分类算法的研究现状 | 第12页 |
| 1.2.2 群智能优化算法的研究现状 | 第12-13页 |
| 1.2.3 二者混合优化研究现状 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第2章 基础理论学习 | 第15-28页 |
| 2.1 支持向量机的基本理论 | 第15-20页 |
| 2.1.1 支持向量机算法的优点 | 第18-19页 |
| 2.1.2 支持向量机算法的改进算法 | 第19-20页 |
| 2.1.3 支持向量机算法的应用 | 第20页 |
| 2.2 人工鱼群算法的基础理论 | 第20-27页 |
| 2.2.1 人工鱼群智能算法的算法步骤 | 第24-25页 |
| 2.2.2 人工鱼群智能算法的优点 | 第25-26页 |
| 2.2.3 人工鱼群智能算法的改进算法 | 第26-27页 |
| 2.2.4 人工鱼群智能算法的应用 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于人工鱼群算法优化的支持向量机算法 | 第28-43页 |
| 3.1 算法概述 | 第28-29页 |
| 3.2 算法相关定义 | 第29-31页 |
| 3.2.1 食物浓度定义 | 第29-31页 |
| 3.2.2 其他概念定义 | 第31页 |
| 3.3 AFA-SVM算法描述 | 第31-33页 |
| 3.4 算法优势 | 第33-34页 |
| 3.5 实验设计及结果 | 第34-42页 |
| 3.5.1 数据集 | 第34-35页 |
| 3.5.2 分类性能评估 | 第35-37页 |
| 3.5.3 评价标准 | 第37-39页 |
| 3.5.4 实验结果与分析 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于加速人工鱼群算法优化的支持向量机算法 | 第43-54页 |
| 4.1 改进背景 | 第43-47页 |
| 4.1.1 粒子群优化算法简介 | 第43-46页 |
| 4.1.2 粒子群优化算法的特点 | 第46-47页 |
| 4.2 算法概述 | 第47页 |
| 4.3 算法相关定义 | 第47-48页 |
| 4.4 EAFA算法结构 | 第48-49页 |
| 4.5 EAFA-SVM算法描述 | 第49-50页 |
| 4.6 实验设计及结果 | 第50-52页 |
| 4.7 本章小结 | 第52-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 作者简介及在学期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
