لو يان فانغ لى تشينغ، تشاو يولونغ، الرقم السابق تشانغ

(هندسة البنادق، الذخائر كلية الهندسة، شيجياتشوانغ 050003، الصين)

أهمية ناقل آلة (RVM) معلمات وظيفة نواة لها تأثير أكبر على أدائها، من أجل تحسين قدرة تصنيف آلة ناقلات صلة، اقترح طريقة الأمثل المعلمة النووية على أساس الذباب التوأم RVM سرب خوارزمية (LFOA) لديه خصائص الطيران ليفي من . في تقييم وظيفة اللياقة البدنية، وأنواع ذبابة الفاكهة بعد عدة تكرارات من المعلمة رحلة النووية وليفي داخل نطاق محدد من البحث العالمية. MATLAB المحاكاة نتائج 4 مجموعات UCI مجموعات البيانات تشير إلى أن الطريقة المقترحة فعالة وموثوق بها، قادرة على تحسين القدرة RVM تصنيف بالمقارنة مع خوارزميات التحسين الأخرى لديها الدقة والاستقرار أعلى.

RVM؛ الأمثل المعلمة، ذبابة الفاكهة تحسين خوارزمية، ليفي رحلة

CLC: TN02

كود الوثيقة: A

DOI: 10.16157 / j.issn.0258-7998.2017.02.030

شكل الاقتباس الصيني: لو يان فانغ لى تشينغ، تشاو يولونغ، وما إلى ذلك لالأمثل أهمية آلة ناقلات خوارزمية نواة المعلمة LFOA التكنولوجيا الالكترونية، 2017،43 (2): 124-127.

الإنجليزية شكل الاقتباس: الوقف يان فانغ لي تشينغ تشاو يولونغ، وآخرون. أبحاث معلمات الأمثل من آلة ناقلات أهمية بناء على LFOA .Application من تقنيات الالكترونية، 2017،43 (2): 124-127.

0 مقدمة

أهمية ناقل آلة (صلة ناقل آلة، RVM) هو تأسيس أسلوب التعلم القائم على SVM (دعم ناقل آلة، SVM) على، والاعتماد على متفرق النظرية الإحصائية النظرية الافتراضية من نموذج التدريب المعمول بها. مقارنة SVM وRVM، شكل وظيفي مماثل، ولكن وظيفة RVM ميرسر نواة المطلوبة لتلبية الشرط وتوفير صيغة الاحتمال الناتج لجعلها أكثر فائدة . في السنوات الأخيرة، وتقدير RVM الانحدار، والتعرف على نمط والهندسة جوانب وقد استخدمت على نطاق واسع، ولكن لا تزال هناك مشاكل ليس من السهل تحديد المعلمات الأمثل للطاقة النووية، وحتى بعض العلماء خوارزميات التحسين الذكية لRVM النووية معلمات الأمثل ، وحققت بعض النتائج.

ذبابة الفاكهة خوارزمية (ذبابة الفاكهة الأمثل خوارزمية، FOA) هي خوارزمية الأمثل ذكية من قبل PAN W T جعلت وفقا تستخدم علفا السلوك في ذبابة الفاكهة. على الرغم من أن يتم تطبيق هذه الطريقة على نطاق واسع في مختلف المجالات ، ولكن في عملية التطبيق العملي، وهناك أيضا حالة إلى أوبتيما المحلي، وثيقة المقترحة ذبابة الفاكهة مجموعة التوأم وجود خصائص الطيران ليفي من الخوارزمية الأمثل (للLFOA) وحل فعال لمشكلة FOA إلى التحسين المحلية وتحسين أداء الخوارزمية. من أجل تحسين أداء RVM المصنف، وRVM نواة أساليب وظيفة التحسين المقترحة. LFOA الخوارزمية، ونتائج المحاكاة من قواعد البيانات UCI، وصدق وثبات هذه الطريقة.

1 RVM

1.1 نموذج الوصف

وإذا افترضنا أن كل توزيع عينة مستقلة، ص (ر | خ) باستخدام توزيع برنولي، ويمكن الحصول الخلفي التنبؤ احتمال نتيجة طن من وظيفة احتمال:

؟؟ صيغة التنبؤ على أساس الاحتمال، ناقلات المدخلات جديد X يان ناقلات الهدف ر المقابلة لالاحتمال الشرطي الحصول يان على النحو التالي:

نظرية بايز متفرق، وناقلات الوزن w لتوزيع مسبق الصفر توزيع جاوس يعني مستقل:

بعد عدة تكرارات قد تجد أن معظم الوزن يصبح صغير جدا، سوى جزء صغير من غير صفر الأوزان، وفقا لصيغة (1)، فقط غير صفرية الأوزان المقابلة لهدف وظيفة التدريب الموجه، ودعا ذات الصلة ناقلات (رفس)، ونموذج RVM يمكن إعادة كتابة على النحو التالي:

1.2 RVM أصناف متعددة

وأخيرا الاحتمال، كل المصنفات التي جمعها (8) خرج الصيغة، و "احتمال الحد الأقصى للفوز " يتم تحديد استراتيجية أن احتمال الخلفي xtest فئة لديها أعلى المتراكمة.

1.3 المعلمات تأثير النووية على أداء RVM تصنيف

قد تكون ذات صلة SVM نواة وظيفة لعينات البيانات منخفضة الأبعاد يتم تعيينها في الفضاء عالية ميزة الأبعاد، من أجل تحقيق يمكن تقسيمها إلى العينات الخطية، وبالتالي فإن مجموعة من المعلمات التي لها تأثير مهم للغاية على RVM أداء التصنيف. دراسة لمقارنة التقليدية، ورسم الخرائط قوي غير الخطية من وظيفة RBF نواة (RBF نواة) على سبيل المثال، تم اختبارها باستخدام البيانات تصنيف سونار UCI قاعدة البيانات (ما مجموعه 208 عينات)، ومجموعة البيانات بالكامل من البيانات سونار كما تدريب عينات لتدريب RVM نموذج التصنيف، في حين تعلم أيضا اختبار قدرة النموذج RVM كإدخال اختبار عينة تم تدريب كافة البيانات في. العلاقة النووية قيمة المعلمة نواقل المرتبطة بها (رفس)، ووقت التدريب وكما هو مبين في الجدول رقم 1.

يتضح من الجدول رقم 1، مع المعلمات وظيفة النواة تدريجيا، وعدد من ناقلات ارتباط الاتجاه النزولي تدريجيا، ومعلمات مختلفة المقابلة لمختلف وقت التدريب أنويتها، من أجل مواصلة توضح تأثير أداء RVM وظيفة النواة، ويرد في FIG 1 دقة التصنيف مع اتجاه المعلمات الأساسية.

يتضح من الشكل 1 والجدول 1، يتم تعيين تغيير في الحجج النووية تغيير الواقع وظيفة رسم الخرائط، وبالتالي تغيير حجم عينات البيانات إلى الفضاء عالية ميزة الأبعاد يمكن التمييز، وبالتالي فإن المعلمة نواة مختارة لديها درجة أكبر من التأثير على RVM الأداء، في نفس الوقت، فقط تحديد المعلمات نواة مناسبة، RVM القدرة على التعلم والقدرة التعميم يمكن أن تتعزز.

2-LFOA RVM المعلمة النووية الأسلوب الأمثل

2.1 LFOA خوارزمية

LFOA الخوارزمية يجمع بين خصائص الطيران ليفي وخوارزمية ذبابة الفاكهة، وذلك باستخدام عشوائي ارتفاع رحلة ليفي لكي يتمكن السكان ذبابة الفاكهة المحاصرين بسهولة في الدنيا المحلية، والخطوات المحددة للإشارة انظر خوارزمية LFOA .

LFOA خوارزمية عملية التحسين، وبحساب المسافة الإقليدية Distbest Distworst ذبابة الفاكهة المعاصر الفردية الفرد الأمثل والفرد أسوأ الأحوال، إذا Distbest < Distworst، سيتم تقسيم ذباب الفاكهة إلى مجموعات فرعية فردية Jiaoyou، تصنف على خلاف ذلك كما فرعية الفقيرة، وعملية تكرارية، وعدد من الذباب الفردية مجموعتين فرعيتين هي دينامية. Jiaoyou مجموعات فرعية وفقا لمعادلة (9) رحلة ليفي حول أفضل الفرد:

2.2 LFOA-RVM المعلمة عملية التحسين النووية

تحسين خوارزمية استنادا LFOA RVM المعلمة نواة تدفق هو مبين في الشكل 2، الخطوات التالية:

(1) مجموعة البيانات في التدريب واختبار العينات، لعينات التدريب RVM RVM نواة المعلمة اختيار ووضع نموذج التصنيف، يتم استخدام عينة اختبار لاختبار أداء RVM المصنف.

(2) تهيئة خوارزمية LFOA الحجم، وعدد من التكرارات، ونقطة الانطلاق من ذبابة الفاكهة بحث مسافة الرحلة ليفي الفردية والمعلمات السكان طول التنقل.

(3) 5 أضعاف عبر المصادقة على عينات التدريب (5 أضعاف المصادقة عبر)، متوسط وظيفة اللياقة البدنية دقة عبر التحقق من صحة، واختيار قيمة المعلمة نواة الموافق دقة أقصى المعلمات نموذج تصنيفه بوصفه RVM مجموعة القيمة؛

(4) واللياقة البدنية الفردية للذبابة الفاكهة، وفقا لحجم المسافة الإقليدية بين أسوأ وأفضل موضوع الفردي ذبابة الفاكهة تصنيف صيغة (9) و (10) على تحديث الموقع؛

(5) حساب موقف لياقة بدنية جديدة ذبابة الفاكهة، معلومات التحديث في حكم العالمية؛

(6) تكرار الخطوات (4) و (5)، وقيمة الانتاج النهائية الأمثل نواة المعلمة.

3 المحاكاة

مصدر بيانات 3.1 المعلمة

للتحقق من صحة LFOA-RVM، ومجموعات البيانات الأربعة التي تم اختيارها من آلة UCI تعلم القياسية تجربة محاكاة قاعدة البيانات. نفذت MATLAB R2011b الخوارزمية، RVM الأدوات SB2_Release_200 ، ومجموعات البيانات UCI المستخدمة في التجارب هو مبين في الجدول 2.

وعلى سبيل المقارنة، على التوالي، وذلك باستخدام LFOA، FOA، الخوارزمية الجينية (GA) وسرب الجسيمات (PSO) في حين أن جوهر هو المعلمات RVM الأمثل. يتم تعيين حجم السكان كل خوارزمية 20، الحد الأقصى لعدد التكرارات إلى 100، يتم تعيين مجموعة ز البحث 0-500، يتم تعيين LFOA الخوارزمية في طول الخطوة إلى 1.5، GA الخوارزمية، وجهاز كمبيوتر كروس احتمال = 0.7، طفرة احتمال مساء = 0.1؛ PSO خوارزمية معلمات البحث المحلية C1 = 1.5، معلمات البحث العالمية C2 = 1.7.

3.2 تحليل النتائج

تم اختبار الجدول 2 باستخدام أربع مجموعات من البيانات عن الأداء وفقا للLFOA-RVM عملية 2.2 الأمثل وفقا لمنحنى اللياقة البدنية عملية التحسين التكرار هو مبين في الشكل (3).

ووفقا ليبين الشكل (3)، تظهر FOA، GA وPSO الخوارزمية في درجات الأمثل عندما يكون الوضع في الحل الأمثل المحلي لا يمكن القفز، مقارنة مع أكثر من ثلاثة خوارزميات، LFOA ليفي ارتفاع رحلة متفاوتة بسبب المزيد من العشوائية بسهولة محاصرين في الدنيا المحلية، وارتفاع اللياقة البدنية، وتحسين أسرع.

وتظهر نتائج اختبار 4 اختبار مجموعات البيانات النموذجية في الجدول 3-6. في الجدول 3-6، تم اختبار متوسط دقة باستخدام مجموعات البيانات متوسط دقة تم الحصول عليها بعد 5 تجارب، وكانت أعلى دقة أعلى دقة اختبار تم الحصول عليها في التجربة. المعلمات نواة المثلى لتحقيق أقصى قدر من اختبار دقة RVM نواة القيم معلمة من نموذج التصنيف.

ويمكن وفقا لنتائج الاختبار أن ينظر إليها، LFOA-RVM إما حل تصنيف ثنائي أو مشاكل متعددة تصنيف، ويمكن تحقيق درجة عالية من دقة الاختبار والأمثل نواة المعلمة قيمة 4 مجموعات البيانات UCI أكبر فترة، مشيرا إلى خوارزمية LFOA مع القدرة على البحث العالمي قوية للتحقق من صحة استخدام LFOA RVM خوارزمية الأمثل النووي من المعلمات. من أجل تسهيل استقرار الخوارزمية الأمثل مقارنة الفرق المحسوبة لنتائج عدة اختبارات من التجربة، كما هو مبين في الجدول رقم (7).

الأيونوسفير، النبيذ ومجموعات البيانات الجزء هو واضح من الجدول رقم 7، واختبار عدة مرات، مما أدى LFOA خوارزمية التباين أقل من خوارزميات أخرى، ومجموعات البيانات LFOA سيارة نتائج اختبار التباين، على الرغم من أن أكبر قليلا من FOA، ولكن أقل بكثير من اثنين من خوارزميات أخرى، وتظهر أظهرت تقلبات أقل LFOA-RVM نتائج الاختبار أن الأسلوب الأمثل ارتفاع الاستقرار؛ الخوارزمية LFOA FOA يجمع بين مزايا عالية الدقة ورحلة البحث ليفي المحلية بسهولة القفز من الاستفادة الأمثل المحلية، وتحسين العالمي قدرات البحث، مقارنة FOA، GA وPSO 3 أنواع من الخوارزميات، الخوارزمية البحث LFOA أعلى دقة، وأداء أكثر استقرارا. واستنادا إلى تحليل البرامج المذكورة أعلاه، يمكن LFOA خوارزمية أكثر دقة بالبحث عن الأمثل المعلمات نواة RVM، ويمكن تحقيق دقة اختبار عالية، من حيث خوارزميات أخرى، لدينا مزايا معينة.

4 خاتمة

حدد نواة المعلمات وظيفة RVM يكون لها تأثير كبير على أداء تصنيفها. لحل هذه المشكلة، ونحن نستخدم النووي LFOA RVM المعلمات خوارزمية الأمثل، واختبارها من قبل UCI عدة مجموعة البيانات النموذجية، الخوارزمية يمكن أن تستمد أكثر دقة العثور على المعلمات الأمثل من RVM الأساسية، مع محلية قوية تحسين دقة وقدرات البحث العالمية لتحسين فعالية أداء نموذج تصنيف RVM. مقارنة مع ذبابة الفاكهة التقليدية، الخوارزمية الجينية وتحسين سرب الجسيمات خوارزمية ديها أعلى قدر من الدقة والاستقرار، وهناك يتم توفير طريقة جديدة ونهج جديد لتحديد وظيفة أفضل RVM النواة.

مراجع

التعلم TIPPING M E.Sparse النظرية الافتراضية وآلة ناقلات صلة .Journal من آلة الأبحاث التعلم، 2001،1 (3): 211-244.

heptyl مجموعة، Madeng وو، تشانغ Jijun، الخ ذكية تشخيص الأخطاء شجرة قرار بناء والأقرب للآلة المتجهات هندسة الحاسب الآلي والتطبيقات، 2013،49 (14): 267-270.

زانغ شو فنغ يانغ Fengrui والوظائف منصة تستند RVM إعادة استخدام اختبار تصميم شركة نفط الجنوب التكنولوجيا الالكترونية، 2006،32 (5): 82-84.

تشن العمود. آلة ناقلات التنبؤ حركة مرور الشبكة الوقواق الأمثل خلط المتعلقة نوويا الكمبيوتر والتحديث، 2015 (5): 94-97.

PAN W T.A جديدة خوارزمية الأمثل ذبابة الفاكهة: أخذ نموذج ضائقة مالية كمثال نظم .Knowledge وبناء، 2012،26 (كامل): 69-74.

Liucui لينغ، لو لو، وانغ جين تشى، وآخرون FOA-GRNN تنبأ بناء على محتوى الماء من قياس النفط الخام المحاكاة، 2012،29 (11): 243-246.

ورقة أمام FIG، غرفة نظيفة لى تشاو يولونغ. ذبابة الفاكهة مجموعة الجوزاء وجود خصائص الطيران ليفي من الخوارزمية الأمثل تطبيقات الحاسب الآلي، 2015،35 (5): 1348-1352.

Renxue بينغ بانغ تشن شين تشي، الخ أسطواني تشخيص الأعطال المويجات حزم الانتروبيا وRVM على أساس أفضل تحمل، 2014 (11): 48-53.

ناقلات ميزة يونغ، يتم تحديد هو الابتكار. وإذ تضع تشخيص الأعطال وبناء على الأحمال المتغيرة بشكل مستقل المرتبطة آلة الاهتزاز والصدمات، 2012،31 (3): 157-161.

حبة كاملة ياو كاي جي اختيار ميزة تحسين خوارزمية LS-SVM والمعلمة على أساس PSO هندسة الحاسب الآلي والتطبيقات، 2010،46 (1): 134-136.

تشانغ ياو تشن بعد الذهب، يانغ Y Y، الخ التكيف التعلم الصلة النووية آلة المتجهات الثدي X-راي الكتل صورة طريقة معالجة microcalcification من النقاط على Physica سينيكا، 2013،62 (8): 1-11.

TIPPING M E.An كفاءة تنفيذ MATLAB من متفرق النظرية الافتراضية النمذجة خوارزمية (2009-03-12) .http: //www.Relevancevector.com.