针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(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...针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(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。展开更多
粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vector machine,简称SVM)的学习效率,但由于经典GSVM通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布...粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vector machine,简称SVM)的学习效率,但由于经典GSVM通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低.针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型.该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划.如此循环迭代,直到没有信息粒需要进行深层粒划时为止.最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来.在基准函数数据集及UCI上的回归数据集上的实验结果表明,DGSVR方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能.展开更多
支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力...支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力非常有限.粒度支持向量机(Granular Support Vector Machine,GSVM)模型可以有效提高SVM的学习效率,但会损失一定的泛化能力.提出一种新的粒度支持向量机学习算法,称为层次粒度支持向量机(Hierarchical Granular Support Vector M achine,HGSVM),通过定义一个新的数据置信度挑选对分类贡献较大的重要信息粒,并在每次的迭代训练中根据粒的重要性进行自动粒划,以获得更好的泛化能力.在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,本文的算法可获得较好的分类性能.展开更多
文摘针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(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。
文摘粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vector machine,简称SVM)的学习效率,但由于经典GSVM通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低.针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型.该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划.如此循环迭代,直到没有信息粒需要进行深层粒划时为止.最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来.在基准函数数据集及UCI上的回归数据集上的实验结果表明,DGSVR方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能.
文摘支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力非常有限.粒度支持向量机(Granular Support Vector Machine,GSVM)模型可以有效提高SVM的学习效率,但会损失一定的泛化能力.提出一种新的粒度支持向量机学习算法,称为层次粒度支持向量机(Hierarchical Granular Support Vector M achine,HGSVM),通过定义一个新的数据置信度挑选对分类贡献较大的重要信息粒,并在每次的迭代训练中根据粒的重要性进行自动粒划,以获得更好的泛化能力.在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,本文的算法可获得较好的分类性能.
