基于GA参数优化的在线学习SVM算法及其在气象预测中的应用

基于新的基于学习-学习的优化算法的铣削Craft.io参数确定

针对目前常用的预测模型存在一定的问题,建立支持向量机预测模型,并将遗传算法与蚁群算法有效结合。用此组合算法对支持向量机模型参数优化。最终将建立的模型与单独两种算法所优化的模型进行精度对比。实例表明,组

在成本受限的情况下,通过优化气象自动站布局,提高气象数据收集的准确率。针对自动站作为代理可以同时扮演多个角色,提出了基于主从角色分配的GRA方法,解决多对多情况下组角色分配问题,从而优化气象自动站布局

阐述了统一潮流控制器(UPFC)的原理及其控制器设计,采用串联侧输出电压、并联侧输出电流的横向分量和纵向分量为控制量,建立了比例积分(PI)控制时的系统方程.以含UPFC的单机无穷大系统进行仿真,结果

遗传算法在电石炉系统PID参数优化中的应用

基于PSO算法的变形的SVM算法参数选优及应用，王洁，白静，标准的SVM是一种通用的机器学习的方法，SVM中参数的选择直接影响着其机器学习的性能，但现有研究中对SVM参数的选择仍无统一的方法。

蚁群算法是一种基于蚂蚁群体行为、仿生学和分布式计算的优化算法。一种基于蚁群算法的简单实现，并探讨了其在解决优化问题中的应用。通过实验验证，该算法在许多问题中都具有较好的性能，如TSP旅行商问题、图着色

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含

脑肿瘤是一种侵袭性疾病，对于患者的生存率造成了很大的威胁。目前，通过磁共振成像(MRI)来检测和诊断脑肿瘤已成为最佳选择。然而，由于脑肿瘤的复杂性，手动分类容易出错。因此，利用机器学习(ML)和人工智

传统GM(1,1)模型以数据序列背景值边界均值预测基坑沉降变形,精度低、残值大。基于灰色理论应用对数法与二次插值法分别对传统模型进行改进与优化,结合基坑沉降变形监测数据,采用三种模型分别预测对比分析,