.png){kind=icon}
返回
Support vector machines based on Chaotic Adaptive Whale Optimization Algorithm and its applications
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-05977-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
支持向量机（SVM）是一种广泛使用的模式分类方法，其分类精度受惩罚因子和核参数选择的影响较大。群智能优化算法作为一种解决优化问题的方法，已被广泛应用于SVM的参数优化。然而，大多数智能优化算法存在易于陷入局部最优或收敛速度慢等不足。因此，本文提出一种改进的混沌自适应鲸鱼优化算法（CAWOA）来优化SVM参数，从而提升SVM的性能。改进的CAWOA基于标准WOA，融入了对数混沌映射进行种群初始化、非线性收敛因子和自适应概率阈值等策略。首先，在CEC2017和CEC2022测试集上进行了仿真对比实验，结果表明改进算法性能更优。随后，建立了CAWOA-SVM模型，对UCI数据库中的六个数据集进行分类预测。将CAWOA-SVM模型与WOA-SVM、PSO-SVM模型及未优化的SVM模型进行比较。实验结果说明，CAWOA-SVM模型的分类精度和整体性能得到一定程度提升。
Keyword:
Support vector machine
Whale optimization algorithm
Adaptive probability threshold
Parameter optimization
Classification prediction
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
.png){kind=icon}
分享收藏Atomic physics-inspired atom search optimization heuristics integrated with chaotic maps for identification of electro-hydraulic actuator systems受原子物理学启发的原子搜索优化启发式方法与混沌映射相结合，用于电液执行器系统的识别
PREAI
分享收藏Training of the feed forward artificial neural networks using dragonfly algorithm使用dragonfly算法训练前馈人工神经网络
PREAI
分享收藏
查看更多内容