[1]张烨峰a,成忠b,单胜道a.MIWOA-LSSVM方法的构建及其在生物质炭模式分类中的应用[J].浙江科技大学学报,2024,(03):228-238.[doi:10.3969/j.issn.1671-8798.2024.03.005 ]
　ZHANG Yefenga,CHENG Zhongb,SHAN Shengdaoa.Construction of MIWOA-LSSVM method and its application in biochar pattern classification[J].,2024,(03):228-238.[doi:10.3969/j.issn.1671-8798.2024.03.005 ]
点击复制

MIWOA-LSSVM方法的构建及其在生物质炭模式分类中的应用(/HTML)
分享到：

《浙江科技大学学报》[ISSN:2097-5236/CN:33-1431/Z]

卷:
期数:
2024年03期
页码:
228-238
栏目:
出版日期:
2024-06-30

文章信息/Info

Title:
Construction of MIWOA-LSSVM method and its application in biochar pattern classification
文章编号:
1671-8798(2024)03-0228-11
作者:
张烨峰a; 成忠b; 单胜道a
(浙江科技大学 a.环境与资源学院; b.生物与化学工程学院,杭州 310023)
Author(s):
ZHANG Yefenga; CHENG Zhongb; SHAN Shengdaoa
(a.School of Environment and Natural Resources; b.School of Biological and Chemical Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China)
关键词:
最小二乘支持向量机;  鲸鱼优化算法;  生物质炭;  模式分类
分类号:
TP391.4
DOI:
10.3969/j.issn.1671-8798.2024.03.005
文献标志码:
A
摘要:
【目的】最小二乘支持向量机(least square support vector machine,LSSVM)的性能受惩罚因子和核函数参数的影响较大,为了优化这些参数,提出一种基于多策略改进的鲸鱼优化算法(multi-strategy improved whale optimization algorithm,MIWOA)。【方法】首先,采用Logistic混沌初始化方法替代随机初始化,以提高种群的多样性,进而提高搜索效率; 然后,引入了非线性收敛因子和动态惯性权重,以增强算法的全局搜索能力; 最后,采用具有长尾分布的Lévy飞行策略,以跳出局部最优解,扩大搜索范围。【结果】将本研究所构建的MIWOA-LSSVM集成方法用于多类别生物质炭的模式分类,结果显示MIWOA算法在参数寻优上速度更快,仅迭代7次就能得到参数最优组合。随后,利用MIWOA算法优化的参数,结合LSSVM模型进行分类,成功将分类准确率提升至96.38%。【结论】本研究结果证明了MIWOA算法在参数寻优上的可行性和高效性,同时表明MIWOA-LSSVM集成方法在多类别模式识别中具有良好的应用前景,可为优化算法在参数寻优上提供一定的参考。

参考文献/References:

[1] 刘晓龙,崔磊磊,李彬,等.碳中和目标下中国能源高质量发展路径研究[J].北京理工大学学报(社会科学版),2021,23(3):1.
[2] MAVI M S,BHULLAR R S,CHOUDHARY O P. Differential ability of pyrolysed biomass derived from diverse feedstocks in alleviating salinity stress[J]. Biomass Conversion and Biorefinery,2020,12:5230.
[3] 黄英双,曹辉.改进人工蜂群算法优化支持向量机及应用[J].计算机应用与软件,2021,38(2):258.
[4] 邓青,薛青,翟凯.基于CSAGA-LSSVM算法的坦克驾驶模拟训练数据分类挖掘[J].山东科技大学学报(自然科学版),2022,41(1):25.
[5] 王维高,魏云冰,滕旭东.基于VMD-SSA-LSSVM的短期风电预测[J].太阳能学报,2023,44(3):207.
[6] 文大鹏,梁西银,苏茂根,等.激光诱导击穿光谱技术结合PCA-PSO-SVM对矿石分类识别[J].激光与光电子学进展,2021,58(23):192.
[7] HUANG W,LIU H,ZHANG Y,et al. Railway dangerous goods transportation system risk identification:comparisons among SVM,PSO-SVM,GA-SVM and GS-SVM[J]. Applied Soft Computing,2021,109:107541.
[8] MIRJALILI S,MIRJALILI S M,LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software,2014,69:46.
[9] 刘萍,俞焕.一种改进的自适应遗传算法[J].舰船电子工程,2021,41(6):102.
[10] 薛文.一种改进惯性权重的粒子群优化算法[J].现代信息科技,2023,7(20):88.
[11] 马骏.基于灰狼优化算法的改进研究及其应用[D].杭州:杭州电子科技大学,2019.
[12] YANG W,XIA K,FAN S,et al. A multi-strategy whale optimization algorithm and its application[J]. Engineering Applications of Artificial Intelligence,2022,108:104558.
[13] 童林,官铮.改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J].计算机应用,2021,41(10):2921.
[14] LIU Y,CAO Y,WANG L,et al. Prediction of the durability of high-performance concrete using an integrated RF-LSSVM model[J]. Construction and Building Materials,2022,356:129232.
[15] 廖庆陵,窦震海,孙锴,等.基于自适应粒子群算法优化支持向量机的负荷预测[J].现代电子技术,2022,45(3):126.
[16] 何小龙,张刚,陈跃华,等.融合Lévy飞行和精英反向学习的WOA-SVM多分类算法[J].计算机应用研究,2021,38(12):3641.
[17] 武泽权,牟永敏.一种改进的鲸鱼优化算法[J].计算机应用研究,2020,37(12):3620.
[18] 普运伟,姜萤,田春瑾,等.基于全连接神经网络的在线学习行为分类判别[J].现代电子技术,2023,46(17):90.

备注/Memo

备注/Memo:
收稿日期:2023-12-22
基金项目:国家重点研发计划项目(2022YFE0196000); 浙江省重点研发计划项目(2020C01017)
通信作者:成 忠(1973— ),男,江苏省盐城人,教授,博士,主要从事化学化工信息智能处理研究。E-mail:chengzhong@zust.edu.cn。
更新日期/Last Update: 2024-06-28