搜索到28747 篇“ 优化支持向量机 “的相关文章
一种新型多策略麻雀搜索算法优化 支持向量机 的牵引变压器故障诊断方法 优化 支持向量机 的牵引变压器故障诊断方法，涉及变压器故障诊断领域。从优化 支持向量机 的参数的角度出发，针对支持向量机 (SVM)在变压器故障诊断中易受最优参数的影响，导致诊断准确率低...基于红狐优化 支持向量机 回归的船舶备件预测 2025年 优化 算法(improved red fox optimization,IRFO)的支持向量机 回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐优化 算法(red fox optimization,RFO)的寻优精度,重构其全局搜索公式,并融合精英反向学习策略。采用基准测试函数对IRFO算法进行仿真实验,实验表明,IRFO算法比RFO算法、粒子群算法、灰狼优化 算法寻优能力更强,综合性能更优。基于船舶备件历史数据,建立IRFO-SVR船舶备件预测模型,通过对比其他模型的预测结果,表明IRFO-SVR的预测效果更佳。基于遗传算法优化 支持向量机 的文本自动分类方法 2025年 支持向量机 (SVM)模型在参数的选择上很难找到最优参数,造成分类精度较低的结果。为此,文章提出一种基于遗传算法优化 支持向量机 的文本自动分类方法。通过预处理来提高文本数据的质量,并引入TF-IDF(词频-逆文档频率)和词共现分析,构建出高效的文本数据特征向量 。利用遗传算法对SVM模型参数进行优化 ,自动搜索最佳的参数配置,提升模型的分类性能。将预处理后的文本数据输入到优化 后的SVM模型中,模型通过学习文本数据的特征向量 与类别标签之间的映射关系,实现对新文本的自动分类。实验结果表明,该方法在分类精度、Kappa统计量和汉明损失3个关键指标上,均显著优于对比方法,有效提高了文本自动分类的准确性和稳定性。关键词：遗传算法 支持向量机 文本自动分类 特征向量 基于优化 支持向量机 的用户窃电行为识别方法 2025年 优化 (tuna swarm optimization,TSO)算法优化 支持向量机 (support vector machine,SVM)的用户窃电行为识别方法。采用TSO算法对SVM的罚系数和核系数进行寻优搜索,以提升SVM的性能,在此基础上构建了TSO-SVM模型。利用TSO-SVM模型对用户窃电行为进行识别,并将识别结果与其他模型进行对比。对比分析结果表明,TSO-SVM模型识别结果的平均准确率高达99.25%,相比其他模型具有更高的精度和更好的稳定性,验证了基于优化 SVM的用户窃电行为识别方法的有效性。关键词：窃电行为 支持向量机 一种基于向量 加权平均算法优化 支持向量机 的建筑电气故障诊断方法 向量 加权平均算法优化 支持向量机 的建筑电气故障诊断方法，包括原始故障信号输入、数据预处理、特征提取、丰富特征数据集、使用向量 加权平均算法优化 支持向量机 、使用优化 后的支持向量机 进行故障诊断，在建筑电气故障...基于优化 支持向量机 的大豆品质检测研究 2025年 机 视觉对大豆品质检测的准确率和检测速度,提出基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化 支持向量机 (Support Vector Machine, SVM)及通过主成分分析法(Principal Component Analysis, PCA)进一步优化 SSA-SVM模型的两种大豆品质检测模型。采集正常、破损和霉变的大豆图像并进行预处理,提取HSV颜色空间下的12个颜色特征参数,基于灰度共生矩阵法提取4个纹理特征参数。利用SSA寻找SVM的最佳惩罚因子和核函数半径。结果表明,SSA-SVM模型的准确率达到98.00%,较SVM模型的95.33%提高2.67%;使用PCA将16个特征参数降维到8个,构建PCA-SSA-SVM模型,该模型准确率为97.33%,较SVM模型的95.33%提高2.00%。PCA-SSA-SVM模型与SSA-SVM模型相比,其准确率低了0.67%,但迭代时间为11.78 s,较SSA-SVM的13.72 s缩短14.14%。结果表明,SSA-SVM模型与PCA-SSA-SVM模型在大豆品质检测方面均优于SVM模型。关键词：大豆 计算机视觉 支持向量机 主成分分析法 基于麻雀算法优化 支持向量机 的阀门内漏诊断研究 2025年 支持向量机 模型在阀门泄漏诊断过程中各个参数不具备自适应能力,导致诊断能力较弱,提出了麻雀算法(Sparrow Search Algorithm,SSA)优化 支持向量机 (support vector machines,SVM)的阀门内漏诊断模型,并在诊断过程和模型诊断性能上与标准SVM模型进行对比分析。结果表明:在诊断过程中,SSA-SVM阀门内漏诊断模型能够适时调整模型参数,并保持较高的诊断性能,多个泄漏诊断指标均优于标准模型。当泄漏诊断准确率优先级高于诊断时间时,SSA-SVM诊断模型拥有更好的阀门泄漏诊断能力。关键词：阀门泄漏 支持向量机 故障诊断 一种基于特征融合的改进蝙蝠算法优化 支持向量机 的小电流接地系统故障选线方法 优化 支持向量机 的小电流接地系统故障选线方法，属于中压配电系统故障选线领域；首先利用S变换阈值滤波与基于时频谱分布的时频滤波器相结合的去噪方法对线路零序电流信号进行处理，然后将S变...基于遗传和引导聚集算法优化 支持向量机 的白酒基酒品质评估方法 2025年 优化 支持向量机 (support vector machine,SVM)分类器的方法,以解决单一SVM分类器在分类精度和泛化能力的不足。研究使用Spearman相关性筛选了36种关键物质,选择核主成分分析法提取了12个核主成分,并使累计贡献率达到96.06%,将其作为模型输入。选择性能最优的径向基核函数支持向量机 ,使用对数据多样性适应较强的并行计算Bagging集成算法,构建Bagging-SVM分类器进行基酒等级分类,最后,通过GA优化 Bagging-SVM分类器的参数(C、γ、N),构建GA-Bagging-SVM模型。结果显示,GA-Bagging-SVM模型的准确率、精确度、召回率、F1-Score分别为96.77%、96.90%、96.77%、96.78%,优于Bagging-SVM和SVM模型,相比单一SVM模型提升了6.45%、5.61%、6.45%、6.42%,比Bagging-SVM模型提升了3.22%、2.29%、3.22%和3.15%。该方法可作为白酒基酒品质评估模型的优化 方法。关键词：基酒 支持向量机 遗传算法 一种基于李萨如椭圆图形及灰狼算法优化 支持向量机 的变压器绕组变形分类方法 优化 支持向量机 的变压器绕组变形分类方法，步骤包括：S1：分别采集变压器被测相高压侧的电压和电流，以及低压侧的电压和电流；S2：利用变压器被测相的高、低压侧的电压幅值差和高压侧的...
相关作者
陈慧灵 作品数：84 被引量：234 H指数：7 供职机构：温州大学 研究主题：优化算法 最优解 支持向量机 惩罚因子 样本数据 郑近德 作品数：169 被引量：1,589 H指数：23 供职机构：安徽工业大学 研究主题：故障诊断 滚动轴承 滚动轴承故障诊断 多尺度 经验模态分解 潘海洋 作品数：125 被引量：658 H指数：16 供职机构：安徽工业大学 研究主题：故障诊断 滚动轴承 滚动轴承故障诊断 多尺度 经验模态分解 姚立纲 作品数：440 被引量：534 H指数：12 供职机构：福州大学 研究主题：章动 脚踝 减速器 超环面行星蜗杆传动 章动传动 何怡刚 作品数：1,125 被引量：4,396 H指数：30 供职机构：合肥工业大学 研究主题：故障诊断 模拟电路 神经网络 射频识别 小波变换
