改进的支持向量机算法及其应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 218-221.

改进的支持向量机算法及其应用

彭光金1，司海涛1，3，俞集辉1，杨蕴华2，李世勉2，谭柯2

1.重庆大学电气工程学院输配电装备及系统安全与新技术国家重点实验室，重庆 400030
2.重庆市电力公司，重庆 400030
3.衢州市电力公司，浙江衢州 324000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Modification and application of SVM algorithm

PENG Guangjin1，SI Haitao1，3，YU Jihui1，YANG Yunhua2，LI Shimian2，TAN Ke2

1.State Key Laboratory of Power Transmission Equipment and System Security and New Technology，Chongqing University，Chongqing 400030，China
2.Chongqing Power Company，Chongqing 400030，China
3.Quzhou Power Company，Quzhou，Zhejiang 324000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果，取决于能否成功地设置该算法的关键参数，这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上，提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法，并以变电工程为背景给出了相应的工程造价预测模型。运用此模型，对某实际变电工程实例进行了造价预测仿真分析，并与传统的支持向量机算法进行比较，结果说明改进的支持向量机算法具有良好的变电工程造价预测精度，且速度较快。

关键词: 粒子群算法, 支持向量机算法, 变电工程造价

Abstract: SVM（Support Vector Machine），whether it can get a good forecasting effect when used in practical problems with the characters of small-sample is determined by whether the key parameters of the algorithm can be set successfully，this bottleneck problem has been a hindrance to the application of this algorithm in practical problems with the characters of small-sample.Based on analyzing the performance of SVM parameters as a regression estimation method，an improved SVM algorithm with APSO（Adaptive Particle Swarm Optimization） optimizing the parameters of SVM and the relevant engineering cost forecast model on the background of power engineering is proposed.With this model，a practical power engineering cost prediction simulation analysis is carried out.And compared with the traditional SVM algorithm，it proves that the power engineering cost prediction accuracy of the improved algorithm is higher and the algorithm has high operation speed.

Key words: Particle Swarm Optimization（PSO）, Support Vector Machine（SVM）, power engineering cost

彭光金1，司海涛1，3，俞集辉1，杨蕴华2，李世勉2，谭柯2. 改进的支持向量机算法及其应用[J]. 计算机工程与应用, 2011, 47(18): 218-221.

PENG Guangjin1，SI Haitao1，3，YU Jihui1，YANG Yunhua2，LI Shimian2，TAN Ke2. Modification and application of SVM algorithm[J]. Computer Engineering and Applications, 2011, 47(18): 218-221.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.