基于黑洞算法的LSSVM的参数优化

doi:10.12068/j.issn.1005-3026.2014.02.005

东北大学学报:自然科学版 ›› 2014, Vol. 35 ›› Issue (2): 170-174.DOI: 10.12068/j.issn.1005-3026.2014.02.005

基于黑洞算法的LSSVM的参数优化

王通¹，高宪文¹，蒋子健²

(1.东北大学信息科学与工程学院，辽宁沈阳110819； 2.沈阳工业大学电气工程学院，辽宁沈阳110870)

收稿日期:2013-05-27 修回日期:2013-05-27 出版日期:2014-02-15 发布日期:2013-11-22
通讯作者: 王通
作者简介:王通(1976-)，男，辽宁沈阳人，东北大学博士研究生;高宪文(1955-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金重点资助项目(61034005).

Parameters Optimizing of LSSVM Based on Black Hole Algorithm

WANG Tong¹， GAO Xianwen¹， JIANG Zijian²

1. School of Information Science & Engineering， Northeastern University， Shenyang 110819， China； 2. School of Electrical Engineering， Shenyang University of Technology， Shenyang 110870， China.

Received:2013-05-27 Revised:2013-05-27 Online:2014-02-15 Published:2013-11-22
Contact: WANG Tong
About author:-
Supported by:
-

摘要/Abstract

摘要： 采用黑洞(BH)算法对最小二乘支持向量机(LSSVM)的惩罚系数C及径向基核函数参数σ进行搜索优化，提高LSSVM的预测性能.黑洞算法模拟自然界黑洞，吸引一定范围内的星体向其运行并吸收它们；算法在运行过程中，始终保持黑洞为最优解，通过星体的运行搜索整个空间.通过基于黑洞算法的LSSVM和基于粒子群(PSO)算法的LSSVM实现对二维函数的预测，并对二者进行了仿真研究.仿真结果证实，黑洞算法可以更好地实现LSSVM参数的优化搜索，且基于黑洞算法的LSSVM方法具有更高的预测精度.

关键词: 黑洞算法, 最小二乘支持向量机, 参数搜索, 粒子群优化, 二维函数

Abstract: Black hole(BH) algorithm is used to search the optimal parameters of least squares support vector machine(LSSVM). Black hole phenomenon in the nature is simulated in BH algorithm， which has the ability to attract the stars moving to it and absorb them in a certain range. During BH algorithm running the entire space is searched through the moving stars and the black hole is considered the optimal solution.In the simulation experiment the twodimensional function is predicted by BHLSSVM and PSOLSSVM respectively. The simulation results show that BH algorithm has excellent capability to search optimal parameters of LSSVM， and BHLSSVM has better capability and higher predictive accuracy.

Key words: black hole algorithm, least squares support vector machine, parameter selection, particle swarm optimization, twodimensional function

中图分类号:

TP29

王通，高宪文，蒋子健. 基于黑洞算法的LSSVM的参数优化[J]. 东北大学学报:自然科学版, 2014, 35(2): 170-174.

WANG Tong， GAO Xianwen， JIANG Zijian. Parameters Optimizing of LSSVM Based on Black Hole Algorithm[J]. Journal of Northeastern University Natural Science, 2014, 35(2): 170-174.

参考文献

[1] Vapnik V N.The nature of statistical learning theory［M］.New York:Springer，1995:1/104.
[2] Cristianini N， ShaweTaylor J.An introduction to support vector machines and other kernelbased learning methods［M］.Cambridge:Cambridge University Press，2000.
[3] 邓乃扬，田英杰.支持向量机——理论、算法与拓展［M］.北京:科学出版社，2009.(Deng Naiyang，Tian Yingjie.Support vector machine:theory，algorithms and extension［M］.Beijing:Science Press，2009.)
[4] 杨志民，刘广利.不确定性支持向量机原理及应用［M］.北京:科学出版社，2007.(Yang Zhimin，Liu Guangli.Uncertainty support vector machine:principle and applications ［M］.Beijing:Science Press，2007.)
[5] Zhang H R，Wang X D.Incremental and online learning algorithm for regression least squares support vector machine［J］.Chinese Journal of Computers，2006，29(3):400/466.
[6] Suykens J A K，Vandewall J.Least squares support vector machine classifiers［J］.Neural Processing Letters，1999，9(3):293/300.
[7] He K J，Lai K K，Yen J.A hybrid slantlet denoising least squares support vector regression model for exchange rate prediction［C］// International Conference on Computational Science.Amsterdam，2010:2397/2405.
[8] An S J，Liu W Q，Venkatesh S.Fast crossvalidation algorithms for least squares support vector machine and kernel ridge regression［J］.Pattern Recognition，2007，40(8):2154/2162.
[9] Chen Z，Huang A Y.Modeling and simulation of the GALSSVMbased soft measurement for torque［J］.Applied Mechanics and Materials，2011，44/45/46/47:733/737.
[10] 黄丽，孙玉坤，嵇小辅，等.基于CPSO与LSSVM融合的发酵过程软测量建模［J］.仪器仪表学报，2011，32(9):2066/2070.(Huang Li，Sun Yukun，Ji Xiaofu，et al.Soft sensor modeling of fermentation process based on the combination of CPSO and LSSVM［J］.Chinese Journal of Scientific Instrument，2011，32(9):2066/2070.)

[1]	罗忠，徐迪，李雷，马辉. 基于改进二阶循环平稳解卷积的轴承故障检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(5): 673-678.
[2]	李元辉，陈治洋，徐世达. 波速赋值范围对PSO定位算法精度的影响[J]. 东北大学学报（自然科学版）, 2021, 42(4): 561-566.
[3]	王新刚，王超，韩凯忠. 基于优化VMD和MCKD的滚动轴承早期故障诊断方法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 373-381.
[4]	唐传茵，赵懿峰，赵亚峰，周淑文. 智能车辆轨迹跟踪控制方法研究[J]. 东北大学学报:自然科学版, 2020, 41(9): 1297-1303.
[5]	黎柏春，王振宇，张斌，王宛山. 球头铣刀切削刃存在差异的切削力系数辨识[J]. 东北大学学报:自然科学版, 2019, 40(9): 1316-1322.
[6]	李夔宁，张宏济，谢翌，傅春耘. 基于电-热-老化耦合模型的自适应多段恒流充电研究[J]. 东北大学学报:自然科学版, 2019, 40(9): 1323-1329.
[7]	张丽杰，刘建昌，谭树彬. 基于背景场的粒子群优化多出口疏散策略[J]. 东北大学学报:自然科学版, 2019, 40(9): 1222-1227.
[8]	马小英，孙志礼，张毅博，臧旭. 基于Kriging-PSO智能算法优化焊接工艺参数[J]. 东北大学学报:自然科学版, 2019, 40(3): 370-375.
[9]	关守平，邹立夫，张菁菁. 区间多目标粒子群优化算法及其应用[J]. 东北大学学报:自然科学版, 2019, 40(11): 1521-1526.
[10]	李强，巩亚东，梁彩霞，刘洺君. 基于水基MQL的DD5单晶合金铣削表面粗糙度研究[J]. 东北大学学报:自然科学版, 2018, 39(9): 1293-1298.
[11]	黄越洋，井元伟，张嗣瀛，石元博. 基于样本均值和中位值的粒子群优化定位算法[J]. 东北大学学报:自然科学版, 2018, 39(7): 913-917.
[12]	王巧云，郑念祖. 基于样本选择与PSO-ANN的葡萄酒酒精浓度预测[J]. 东北大学学报:自然科学版, 2018, 39(7): 970-975.
[13]	韩莹，井元伟，金建宇，李琨. 基于改进黑洞算法优化ESN的网络流量短期预测[J]. 东北大学学报:自然科学版, 2018, 39(3): 311-315.
[14]	范立娜，汪晋宽，高静，吕腊梅. 协作通信系统中继功率分配算法的研究[J]. 东北大学学报:自然科学版, 2017, 38(9): 1222-1225.
[15]	柳玉辉，王伟超，孟磊. 一种基于黑洞算法的模糊C均值文本聚类方法[J]. 东北大学学报:自然科学版, 2017, 38(8): 1065-1069.

基于黑洞算法的LSSVM的参数优化

Parameters Optimizing of LSSVM Based on Black Hole Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价