當(dāng)今社會(huì)正處于大數(shù)據(jù)時(shí)代,各行各業(yè)所產(chǎn)生的數(shù)據(jù)蘊(yùn)含海量知識(shí)。但這些知識(shí)具有冗余程度高、特征表達(dá)不明顯等特點(diǎn),因此不能直接從中獲取有用的知識(shí),這就意味著需要高效通用的方法進(jìn)行數(shù)據(jù)分析。分類算法是計(jì)算機(jī)認(rèn)識(shí)和識(shí)別真實(shí)世界的一種重要手段,同時(shí)也是將海量數(shù)據(jù)進(jìn)行歸類整理的一種高效方法。支持向量機(jī)是眾多分類算法中的一種,其因具有較為完備的理論支撐并且在數(shù)據(jù)集上展現(xiàn)了良好的分類性能而被廣泛應(yīng)用。但該算法的參數(shù)選擇直接影響著模型的分類精度和泛化能力,因此通過優(yōu)化模型參數(shù)來提高分類精度和泛化能力是當(dāng)前支持向量機(jī)算法的一個(gè)研究熱點(diǎn)。粒子群優(yōu)化算法是一種依據(jù)鳥群的覓食行為提出的群智能進(jìn)化算法。運(yùn)用這種算法搜索時(shí)群體間的每個(gè)粒子都能夠獨(dú)立搜索但又存在信息交互,這種并行性使得該算法具有搜索速度快和尋優(yōu)精度高等優(yōu)點(diǎn),從而得到了廣大學(xué)者的關(guān)注。大量實(shí)驗(yàn)表明,粒子群算法在參數(shù)搜索上具有一定的優(yōu)越性。但是基本的粒子群算法在搜索過程中存在著種群早熟和搜索容易陷入局部最優(yōu)等問題。本畢業(yè)論文針對(duì)基本粒子群算法進(jìn)行改進(jìn),并將其用于支持向量機(jī)的參數(shù)搜索,最后應(yīng)用在工業(yè)上手機(jī)觸摸屏覆膜氣泡檢測(cè)的實(shí)際項(xiàng)目中,主要包括以下內(nèi)容:(1)...

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 第一章緒論
    1.1 研究背景及意義
    1.2 粒子群與支持向量機(jī)算法的研究現(xiàn)狀
    1.3 粒子群與支持向量機(jī)算法當(dāng)前存在的問題
    1.4 本文研究?jī)?nèi)容及結(jié)構(gòu)安排
2 第二章基于遺傳免疫改進(jìn)的粒子群算法
    2.1 一些基本算法
        2.1.1 基本粒子群算法
        2.1.2 遺傳算法
        2.1.3 免疫算法
    2.2 基于免疫遺傳因子的改進(jìn)方法以及逃逸機(jī)制
        2.2.1 基于免疫遺傳因子的改進(jìn)方法
        2.2.2 逃逸機(jī)制及越邊界處理
    2.3 改進(jìn)粒子群算法GAIPSO
    2.4 GAIPSO算法在基準(zhǔn)函數(shù)中的實(shí)驗(yàn)分析
        2.4.1 尋優(yōu)過程可視化分析
        2.4.2 結(jié)果分析
    2.5 小結(jié)
3 第三章基于GAIPSO算法對(duì)支持向量機(jī)參數(shù)的優(yōu)化
    3.1 支持向量機(jī)算法
        3.1.1 一些儲(chǔ)備知識(shí)
        3.1.2 二分類問題
        3.1.3 序列最小化算法
    3.2 基于GAIPSO算法對(duì)多核支持向量機(jī)參數(shù)優(yōu)化
        3.2.1 實(shí)驗(yàn)設(shè)置
        3.2.2 數(shù)據(jù)預(yù)處理
        3.2.3 基于GAIPSO算法對(duì)多核支持向量機(jī)參數(shù)優(yōu)化
    3.3 優(yōu)化方法在UCI人工數(shù)據(jù)集中的實(shí)驗(yàn)分析
        3.3.1 實(shí)驗(yàn)環(huán)境
        3.3.2 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.3 實(shí)驗(yàn)及其結(jié)果分析
    3.4 小結(jié)
4 第四章基于GAIPSO優(yōu)化的支持向量機(jī)在工業(yè)目標(biāo)檢測(cè)上的應(yīng)用
    4.1 工業(yè)目標(biāo)檢測(cè)的現(xiàn)狀
    4.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法
    4.3 基于優(yōu)化支持向量機(jī)的Faster R-CNN在工業(yè)上的應(yīng)用
    4.4 應(yīng)用分析
    4.5 小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：4012387