文献

J-GLOBAL ID：201702245548160805   整理番号：17A0392399

改良粒子群最適化のサポートベクトルマシンとその応用【JST・京大機械翻訳】

A support vector machine based on an improved particle swarm optimization algorithm and its application

著者 (3件)： Wang Zhenwu (School of Mechanical Electronic & Information Engineering, China University of Mining and Technology(Beijing)) ,  Sun Jiajun (School of Mechanical Electronic & Information Engineering, China University of Mining and Technology(Beijing)) ,  Yin Chengfeng (School of Mechanical Electronic & Information Engineering, China University of Mining and Technology(Beijing))
資料名： Harbin Gongcheng Daxue Xuebao  (Harbin Gongcheng Daxue Xuebao)
巻： 37  号： 12  ページ： 1728-1733  発行年： 2016年 
JST資料番号： W1512A  ISSN： 1006-7043  CODEN： HGHPF2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 従来の粒子群最適化(PSO)アルゴリズムは,2つの問題,すなわち,局所的極小と遅い振動に陥りやすいので,カオスシーケンスを導入することによって,粒子群の位置を初期化する。単純化した粒子群の数学モデルを2つの観点から改良した。サポートベクトルマシン(SVM)のパラメータを,改良PSOアルゴリズムを用いて最適化し,シミュレーション実験を行った。SVM,PSO-SVM,および遺伝的アルゴリズム(GENETIC ALGORITHM,GA)によって最適化されたSVM(GA-SVM)と比較して,改良PSOアルゴリズムは,より高い分類精度を持っている。さらに,PSO-SVMアルゴリズムと比較して,PSO-SVMアルゴリズムと比較して,PSO-SVMアルゴリズムは,3%-5%の精度を向上させることができて,PSO-SVMと訓練-SVMアルゴリズムのトレーニング速度と汎化速度を著しく改良した。本論文では,IPSO-SVMアルゴリズムをリモートセンシング画像分類に適用し,分類結果は,PSO-SVMアルゴリズムと比較して,IPSO-SVMアルゴリズムがより良い分類結果を有することを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： *サポートベクトルマシン ,  *最適化 ,  汎化 ,  アルゴリズム ,  シミュレーション ,  簡素化 ,  遺伝的アルゴリズム ,  数学モデル
準シソーラス用語： リモートセンシング画像 ,  分類精度 ,  *粒子群最適化 , 【Automatic Indexing@JST】

著者キーワード (4件)： particle swarm optimization algorithm ,  chaotic sequence ,  support vector machine ,  remote sensing images

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 粒子群最適化 ,  サポートベクトルマシン ,  応用