支持向量机优化基于K means的蚁群聚类算法

基于遗传算法优化支持向量机的网络流量预测,用于预测方面的额资料,有很好的借鉴价值

1 K-Means聚类 K-Means聚类是最常用的聚类算法,最初起源于信号处理,其目标是将数据点划分为K个类簇,找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解,运算速度较快,缺点

算法简介;算法描述 为中心向量c1, c2, , ck初始化k个种子 分组: 将样本分配给距离其最近的中心向量 由这些样本构造不相交 non-overlapping 的聚类 确定中心: 用各个聚类的中

支持向量机(support vector machine, SVM)具有良好的泛化性能而被广泛应用于机器学习及模式识别领域。然而，当训练集较大时，训练SVM需要极大的时间及空间开销。另一方面，SVM训

人工智能 / 机器学习 -- 支持向量机的SMO算法！ aa

1-16个标签分为三大类，判断心脏病的有无。此SVM算法采用Matlab的形式进行编码，通俗易懂。

针对蚁群聚类算法在聚类结果中出现部分数据划分不够准确的问题，提出一种基于信息熵调整的自适应混沌蚁群聚类改进算法。该算法通过优化过程中种群的信息熵来衡量演化的程度，自适应地调整信息素更新策略。每一次迭代

目前，机器学习牵涉的编程语言十分多样，包括了MATLAB、Julia、R、Perl、Python、Ruby等等。小组内部之前对MATLAB较为熟悉，但考虑到拓展知识面、方便学习等因素，最后选择Pyth

在支持向量机(SVM)中,非常有必要优化参数,这些参数是影响分类性能的关键因素。 提出了改进的蚁群算法(IACO)来确定参数,然后将IACO-SVM算法应用于滚动轴承故障检测中。 允许蚂蚁找到的最佳解

实现了基于LBP和支持向量机的分类算法。首先提取出LBP特征，再利用支持向量机进行分类