基于PSO算法的SVM参数优化方法研究

基于PSO的SVM年径流预报模型研究

定至今没有一套适用的指导方法，易产生过学习、欠学习和局部
体智能的进化计算方法… 。该算法在高维空间内利用一群粒
ｓｍｕａｅｎｎｉｅｐｉｇｒｌｔｎｏｎｕｌｒｎｆｎｔｍｐｃａｔｒａｄｉｒｖｏｅａｔａｃｒｃ．ｉｌｔｏｌｎａｍａｐｎｅａｉｆａｎａｏａｄｉｓｉａｔｃｏｎｍｐｅｆｒｃｃｕａｙｒｏｕｆｏｓＫｅｙｗｏｒｓ：ＰＯ；ＳｄＳＶＭ；ｆｒｃｓｉｇｍｏｅ；ａｎａｎｆｏｅａｔｄｌｎｕｌｒｏｎｕ
摘
要：了使ＳＭ具有更好的预测效果，为Ｖ考虑到人为选择参数的随机性，出了应用ＰＯ优化ＳＭ参数的年径流预提ＳＶ
报模型，并将其应用于伊犁河雅马渡水文站的年径流预报。结果表明：改进的最速下降共轭梯度法、与进化单纯形法相
比，经参数优化的ＳＭ年径流预报模型能够较好地模拟年径流量与其影响因子之间的非线性映射关系，高预报精度。Ｖ提
ＷＡＧＷｅ— ｈａ，ｉＩｉＮｎＣｕｎＨＥｊ，ＱＵＬｎ
（ｏｔｈｎｎｔｕｔｏｅａｃｎｄｏｌｔｃＰｗｒＺｅｇｈｕ４０１，ｈｎ）ＮｒＣｉＩｓｔｔｏＷａｅＣｎｒｎｙａｄＨｙｒｅｃｉｏｅ，ｈｎｚｏ５０Ｃｉｈａｉｅｆｒｓｖｅｒ１ａ
年径流预报在水利水电资源开发与利用中有着非常重要的
了月径流的ＳＭ混沌时间序列非线性预报模型，Ｖ并取得了较好的预报精度，但是在应用上存在的主要问题是模型参数难以选

基于改进PSO算法的LSSVM入侵检测模型

Ａｓｒｃ：Ａｐｒｌｌｐｒｃｗｒｐｉｉｔｎ（Ｓ）ａｏｔｍｉｐｏｏｅａｅｎｂｓＳｌｏｔｍａｄＬＰＯａｂｔｔａａｌａｉｅｓａｍｏｔｚｉＰＯｌｒｈｓｒｐｓｄｂｓｄｏａｉＰＯａｒｈｎＷＤＳｌａｅｔｌｍａｏｇｉｃｇｉ —
法。该ＰＯ算法在提高搜索效率的同时有着早熟收敛、Ｓ
陷于局部最优的缺点。本文提出一种改进的ＰＯ算法，Ｓ即并行ＰＯ算法。该算法将粒子群分成两组１行协同Ｓ进
搜索，组粒子具有不同的ｗ，中ｗ较大的粒子组侧两其
机器学习的方法在入侵检测领域应用广泛，有较并好的检测效果。统的机器学习算法需要大量的网络数传据，正常的网络数据特征有着小样本、维数、变性而高多
重全局搜索；较小的粒子组侧重在ｗ大的粒子组找到ｗ全局最优位置的附近区域进行精细搜索。组都有一部每分固定的粒子，余的粒子根据进化阶段动态分配给两其组，通过动态分配粒子保证算法初期以全局搜索为主，后期以局部搜索为主。通过适应度函数的仿真实验，证
降ＰＯ算法。Ｓ
关键词：ＰＯ算法；ＬＳＭ；适应度；入侵检测ＳＳＶ

基于PSO与GA的SVM特征选择与参数优化算法

基于PSO与GA的SVM特征选择与参数优化算法作者：温海标来源：《软件导刊》2017年第05期摘要摘要：支持向量机（SVM）在处理大样本特征维数较多的数据集时，算法消耗时间长而且容易陷入局部最优解，选择不合适的SVM算法参数会影响SVM模型分类性能。

为了提高SVM性能，提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。

在UCI标准数据集上的实验表明，PGS算法能有效地找出合适的特征子集及SVM算法参数，提高收敛速度并能在较小的特征子集获得较高的分类准确率。

关键词关键词：粒子群算法；遗传算法；支持向量机；特征选择；参数优化DOIDOI：10.11907/rjdk.171267中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2017）0050021030引言分类问题主要是分类器模型的选择、分类样本的特征选择以及分类器参数优化等问题，是模式识别领域的基础问题。

Vapnik等[1]在1995年提出一种新型有监督的统计学习方法——支持向量机（Support Vector Machines，SVM），在文本分类、图像分类、人脸识别等诸多领域得到了成功应用，成为机器学习领域的研究热点。

研究表明，SVM分类器的参数例如核函数参数、惩罚参数C与SVM 的分类性能有很大关系[2]，选择合适的参数能显著提高SVM的分类精度。

特征选择是根据某种评估标准从样本的原始特征中选择部分特征作为特征子集[3]。

大数据时代下，样本冗余特征不断出现，如何从大样本特征中去除冗余、选取有利特征是机器学习的重要研究课题。

样本特征选择合理，不但可以消除冗余，而且可以降低算法时间复杂度，加快算法运行速度，提高分类器的准确率。

粒子群优化算法（Particle Swarm Optimization，PSO）是根据鸟群扑食行为产生的仿生设计算法，属于一种简单有效的全局优化算法，已在许多领域得到应用，如用于参数选择[4]。

舰船装备维修费用预测的PSO-LSSVM方法研究

舰船装备维修费用预测的PSO-LSSVM方法研究
李哲龙
【期刊名称】《舰船电子工程》
【年(卷),期】2013(033)008
【摘要】提出了一种基于粒子群优化的最小二乘支持向量机(PSO-LSSVM)模型的舰船装备维修费用预测方法,该方法利用PSO算法的收敛速度快和全局收敛能力,优化LSSVM模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,提高了LSSVM模型的预测精度.以某舰船装备维修费用为例进行实例验证,计算结果表明,这种方法比其他方法有更好的预测精度.
【总页数】4页(P129-131,173)
【作者】李哲龙
【作者单位】中国人民解放军91315部队大连116041
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于灰色理论的舰船装备维修保障费用预测研究 [J], 李哲龙
2.基于改进PSO-LSSVM的军用工程机械研制费用预测模型 [J], 徐波
3.基于PSO-LSSVM的飞机维修保障费用预测模型 [J], 陈高波
4.舰船装备维修保障基础数据体系建设及维护方法研究 [J], 于风竺;张博;高骞
5.舰船装备维修性设计要求生成方法研究 [J], 魏国东;朱石坚;俞翔
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO_-LSSVM模型空调负荷预测研究

#BA?+++样本空调负荷实测值#NZ
#W=>+++样本空调负荷预测值#NZ
平均相对误差绝对值 '#(的计算式为*
'#(
]&

]&
#BA?*#W=> #BA?
式中!'#(+++平均相对误差绝对值
预测结果与分析
8 月() 月空调负荷实测值( 预测值分别见图 &($$
!数据预处理对数据进行缺失检查#并采用箱形图检测方法检测异常数据#对于异常数据进行剔除再填充符合实际的数据# 填充方法采用牛顿插值法$ 采用 'B<KDEKBU函数对输入变量进行归一化处理$ !预测过程 B3输入训练集(测试集#并进行数据预处理#建立 0..1'模型$ V3初始化粒子群# 包括随机位置和速度# 设定 -./算法的参数和 0..1'模型的参数$ A3计算每个粒子的初始适应度$ T3将初始适应度作为当前每个粒子的最优解# 并记录当前的位置作为局部最优位置$ 将最佳初始适应度作为当前全局最优解#并记录当前位置$ @3更新粒子速度和位置$ W3评价(比较粒子的个体最优解( 全局最优解# 求最优适应度$ X3判断是否满足迭代终止条件#若满足#则输出最优正则化参数( 核函数参数$ 否则# 进入下一步骤$ C3依据适应度值# 更新粒子的位置和速度# 重复该循环#直至满足迭代终止条件$ D3输出全局最优正则化参数( 核函数参数作为 0..1'模型的训练参数#得到最终预测模型$

利用PSO优化SVM

%% 清空环境clcclearload wine;train = [wine(1:30,:);wine(60:95,:);wine(131:153,:)];train_label = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];test = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];test_label = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];[train,pstrain] = mapminmax(train');pstrain.ymin = 0;pstrain.ymax = 1;[train,pstrain] = mapminmax(train,pstrain);[test,pstest] = mapminmax(test');pstest.ymin = 0;pstest.ymax = 1;[test,pstest] = mapminmax(test,pstest);train = train';test = test';%% 参数初始化%粒子群算法中的两个参数c1 = 1.6; % c1 belongs to [0,2]c2 = 1.5; % c2 belongs to [0,2]maxgen=300; % 进化次数sizepop=30; % 种群规模popcmax=10^(2);popcmin=10^(-1);popgmax=10^(3);popgmin=10^(-2);k = 0.6; % k belongs to [0.1,1.0];Vcmax = k*popcmax;Vcmin = -Vcmax ;Vgmax = k*popgmax;Vgmin = -Vgmax ;% SVM参数初始化v = 3;%% 产生初始粒子和速度for i=1:sizepop% 随机产生种群pop(i,1) = (popcmax-popcmin)*rand+popcmin; % 初始种群pop(i,2) = (popgmax-popgmin)*rand+popgmin;V(i,1)=Vcmax*rands(1); % 初始化速度V(i,2)=Vgmax*rands(1);% 计算初始适应度cmd = ['-v ',num2str(v),' -c ',num2str( pop(i,1) ),' -g ',num2str( pop(i,2) )];fitness(i) = svm train(train_label, train, cmd);fitness(i) = -fitness(i);end% 找极值和极值点[global_fitness bestindex]=min(fitness); % 全局极值local_fitness=fitness; % 个体极值初始化global_x=pop(bestindex,:); % 全局极值点local_x=pop; % 个体极值点初始化tic%% 迭代寻优for i=1:maxgenfor j=1:sizepop%速度更新wV = 0.9; % wV best belongs to [0.8,1.2]V(j,:) = wV*V(j,:) + c1*rand*(local_x(j,:) - pop(j,:)) + c2*rand*(global_x - pop(j,:));if V(j,1) > VcmaxV(j,1) = Vcmax;endif V(j,1) < VcminV(j,1) = Vcmin;endif V(j,2) > VgmaxV(j,2) = Vgmax;endif V(j,2) < VgminV(j,2) = Vgmin;end%种群更新wP = 0.6;pop(j,:)=pop(j,:)+wP*V(j,:);if pop(j,1) > popcmaxpop(j,1) = popcmax;endif pop(j,1) < popcminpop(j,1) = popcmin;endif pop(j,2) > popgmaxpop(j,2) = popgmax;endif pop(j,2) < popgminpop(j,2) = popgmin;end% 自适应粒子变异if rand>0.5k=ceil(2*rand);if k == 1pop(j,k) = (20-1)*rand+1;endif k == 2pop(j,k) = (popgmax-popgmin)*rand+popgmin;endend%适应度值cmd = ['-v ',num2str(v),' -c ',num2str( pop(j,1) ),' -g ',num2str( pop(j,2) )];fitness(j) = svmtrain(train_label, train, cmd);fitness(j) = -fitness(j);end%个体最优更新if fitness(j) < local_fitness(j)local_x(j,:) = pop(j,:);local_fitness(j) = fitness(j);end%群体最优更新if fitness(j) < global_fitnessglobal_x = pop(j,:);global_fitness = fitness(j);endfit_gen(i)=global_fitness;endtoc%% 结果分析plot(-fit_gen,'LineWidth',5);title(['适应度曲线','(参数c1=',num2str(c1),',c2=',num2str(c2),',终止代数=',num2str(maxgen),')'],'FontSize',13);xlabel('进化代数');ylabel('适应度');bestc = global_x(1)bestg = global_x(2)bestCVaccuarcy = -fit_gen(maxgen)cmd = ['-c ',num2str( bestc ),' -g ',num2str( bestg )];model = svmtrain(train_label,train,cmd);[trainpre,trainacc] = svmpredict(train_label,train,model);trainacc[testpre,testacc] = svmpredict(test_label,test,model);testacc。

基于PSO算法的SVM参数优化方法研究

基于PSO算法的SVM参数优化方法研究基于粒子群优化算法（Particle Swarm Optimization, PSO）的支持向量机（Support Vector Machine, SVM）参数优化是近年来机器学习领域中的热门研究方向。

本文将探讨PSO算法在SVM参数优化中的应用，并介绍其原理和优势。

首先，我们需要介绍一下支持向量机（SVM）。

SVM是一种常用的监督学习算法，可用于分类和回归问题。

其核心思想是在特征空间中找到一个最优的超平面来使不同类别的样本尽可能地分开。

SVM参数优化包括核函数选择、惩罚参数（C）以及其他控制参数的选择。

然而，SVM参数优化是一个复杂的优化问题，传统方法通常需要进行大量的计算和试验。

为了降低计算复杂度，提高参数优化效率，近年来研究者开始引入PSO算法来求解SVM参数优化问题。

PSO算法是一种启发式优化算法，模拟了鸟群捕食的行为。

在PSO算法中，每个解（粒子）都有一个速度和位置，并与其他粒子共享信息。

通过不断更新速度和位置，粒子会向全局最优解靠近。

在使用PSO算法进行SVM参数优化时，需要将SVM参数作为优化目标函数的参数。

PSO算法通过不断更新粒子的速度和位置来优化SVM参数，使得SVM模型在训练集上的性能最优。

具体而言，PSO算法的每个粒子可以看作是一个SVM的参数组合，包括核函数选择、惩罚参数（C）等。

每个粒子通过评估其对应的SVM模型在训练集上的性能来计算适应度值。

然后，粒子根据自己的当前最优位置和全局最优位置来更新速度和位置，以期望找到更好的解。

PSO算法有以下几个优势适合用于SVM参数优化。

首先，PSO算法具有全局能力，能够在参数空间中找到最优解。

其次，PSO算法不依赖于问题的具体形式，适用于各种类型的SVM参数优化。

而且，PSO算法不需要计算梯度，因此能够避免陷入局部最优解。

目前，PSO算法在SVM参数优化中得到了广泛的应用，并取得了较好的结果。

基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测方法

其中，
解层次。
为小波系数；＝ｃｒｘ／２ＩｎＮ，
．
为噪声标准差，Ｎ为分
１ＳＶＭ实现原则
实现ＳＶＭ原则可以有两个思路：（１）求出每个子集的最小经验风险，选择使最小经验风险和置信范围之和最小的子集。显然，对于子集数目不大的情况，这种方法尚能应付，当子集数目趋于无穷时，这种方法是不可行的。（２）设计某种函数集的结构使得每个子集都能取得最小的经验风险（如经验风险为零），然后，只需选择使置信范围最小的子集，经验风险和置信范围同时为最小。
的主要研究问题之一。
ｆｓｉｇｎＷ，ｊ￣（ｌ＿五）Ｉ＞
，
，
㈩
本文利用￡一ＳＶＲ进行煤矿瓦斯时间序列进行预测的基础上，针对￡一ｓＶＲ中的参数选择问题，提出了基于粒子群优化的￡一ｓＶＲ进行煤矿瓦斯时间序列预测的方法。利用粒子群优化算法进行模型的参数选择，从而达到高效准确的预测目的。
图１所示。
摘要本文对霍尔辛赫矿安全监测系统的瓦斯浓度时间序列利用软阈值小波去噪法进行去噪；分析支持向量机不敏感损失参数８和ＥＢＦ核函数参数。基于粒子群算法对支持向量机瓦斯浓度模型进行优化，结合最优参数对进行￡－ＳＶＢ模型预测，对预测误差进行分析，并将训练样本的大小对预测精度的影响做出了比较。关键词柱子群优化；支持向量机；煤矿；瓦斯突出预测

基于PSO—SVM的交通事故预测

要求。神经网络具有良好的非线性映射能力，文献
预测精度，需要对支持向量机的参数进行合理选择。文章把粒子群算法和支持向量机理论结合起来，利用粒子群算法的快速搜索能力寻找到最优参
数值，构建了ＰＳＯ－ＳＶＭ的交通事故预测模型。通
Ｅ６］、Ｅ７］提出了ＢＰ神经网络和ＲＢＦ神经网络的预测模型，但神经网络本身存在着一些问题，例如收
敛速度慢、容易陷入局部极值等。
第ｌ５卷第６期
２０１３年１１月
交
通
科
技
与
经
济
Ｖｏ１．１５，Ｎｏ．６
ＮＯＶ．，２０１３
Ｔｅｃｈｎｏｌｏｇｙ＆ＥｃｏｎｏｍｙｉｎＡｒｅａｓｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓ
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｄｅｓｃｒｉｂｅｔｈｅｒｕｌｅｏｆｔｒａｆｆｉｃａｃｃｉｄｅｎｔｍｏｒｅａｃｃｕｒａｔｅｌｙ，ｉｔｉｎｔｒｏｄｕｃｅｓａｎｅｗｍｅｔｈｏｄｏｆｌｉｎｋｉｎｇｕｐｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｎｄｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍ（ＰＳ＆ＳＶＭ）．Ａｎｄａｓａｔｉｓｆａｃｔｏｒｙｒｅｓｕｌｔｉｓａｃｃｏｍｐｌｉｓｈｅｄ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅＰＳＯ－ＳＶＭｈａｓｇｒｅａｔｅｒａｃｃｕｒａｃｙｔｈａｎｔｒａｄｉｔｉｏｎａｌＳＶＭ，ａｎｄｃｏｍｐｌｉｅｓｗｉｔｈｔｈｅｔｒａｆｆｉｃａｃｃｉｄｅｎｔｔｒｅｎｄ．

基于PSO-SVM模型的网络流量预测研究

新的Ｉｎｔｅｒｎｅｔ技术得到了迅猛发展，不断涌现出许捉非线性信息。非线性预测模型主要有神经网络
多新型的Ｐ２Ｐ协议及应用软件。Ｐ２Ｐ应用不断增模型＿３Ｊ，神经网络模型对非线性时问序列预测具
上各种应用的带宽占用情况，分析用户网络流量
制，以便合理的规划和分配网络带宽，有效地保障
一
支持向量机预测模型
行为，对大量耗费带宽资源的应用进行一定的控（一）支持向量机原理ＳＶＭ最开始是用于模式识别及分类问题，通关键业务应用的正常运行。因此，网络流量预测过非线性映射函数将输入向量映射到一个高维特
随着ＩＴ、网络技术和３Ｇ技术的迅速发展和企预测的方法有多种，主要有自回归移动平均模型
业信息化程度的不断提高，各种各样的网络应用（ＡＲＩＭＡ模型）、ＶＡＲ模型、ＡＲＣＨ模型等ｊ，这些应运而生，特别是近几年来，Ｐ２Ｐ技术作为一项全模型体现了时间序列数据的延续性，但是较难捕
有训练样本：
［收稿日期］２０１３— ０３—１０．［基金项目］湖南省高校科学研究项目（１１Ｃ１０６５），娄底市科技计划项目（２０１１）。［作者简介］伍锦群（１９７４一），女，湖南新化人，娄底职业技术学院电子信息工程系副教授，研究方向：网络技术、物流信息技术；王望贤（１９６６一），男，湖南双峰人，娄底职业技术学院电子信息工程系讲师，研究方向：网络技

基于PSO-SVM的表面肌电信号多手势识别

第１３卷㊀第７期Ｖｏｌ．１３Ｎｏ．７㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年７月㊀Ｊｕｌ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０７－０１７３－０６中图分类号：ＴＰ３９１．９文献标志码：Ｂ基于ＰＳＯ－ＳＶＭ的表面肌电信号多手势识别王㊀博，闫㊀娟，杨慧斌，徐春波，吴㊀晗（上海工程技术大学机械与汽车工程学院，上海２０１６２０）摘㊀要：作为人机交互的一种重要形式，手势识别在医疗康复领域已尤显重要㊂针对手势识别技术存在的不足，提出粒子群优化支持向量机（ＰＳＯ－ＳＶＭ）的多手势精确识别方法㊂首先，利用表面肌电信号采集仪采集１６种手势所对应的表面肌电信号（ＳＥＭＧ）；其次，分别从时域㊁频域和时频域提取所需要的ＳＥＭＧ特征；然后，采用主成分分析法（ＰＣＡ）对数据特征进行降维；最后，使用ＰＳＯ－ＳＶＭ对降维后的数据特征进行分类识别㊂经过与传统支持向量机（ＳＶＭ）分类以及遗传算法优化支持向量机分类（ＧＡ－ＳＶＭ）相对比，本方法识别精度高㊁速度快，研究结果可为手势识别提供新的思路，为人体上肢动作判断和上肢康复机器人的研究提供参考㊂关键词：手势识别；表面肌电信号；主成分分析；粒子群优化；支持向量机Ｍｕｌｔｉ－ｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｏｆＳＥＭＧｓｉｇｎａｌｓｂａｓｅｄｏｎＰＳＯ－ＳＶＭＷＡＮＧＢｏ，ＹＡＮＪｕａｎ，ＹＡＮＧＨｕｉｂｉｎ，ＸＵＣｈｕｎｂｏ，ＷＵＨａｎ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＡｕｔｏｍｏｔｉｖｅＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅ，Ｓｈａｎｇｈａｉ２０１６２０，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｓａｎｉｍｐｏｒｔａｎｔｆｏｒｍｏｆｈｕｍａｎ－ｃｏｍｐｕｔｅｒｉｎｔｅｒａｃｔｉｏｎ，ｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｈａｓｂｅｃｏｍｅｔｈｅｆｏｃｕｓｏｆｒｅｓｅａｒｃｈｉｎｔｈｅｆｉｅｌｄｏｆｍｅｄｉｃａｌｒｅｈａｂｉｌｉｔａｔｉｏｎ．Ａｉｍｉｎｇａｔｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙ，ａｍｕｌｔｉ－ｇｅｓｔｕｒｅａｃｃｕｒａｔｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＰＳＯ－ＳＶＭ）ｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｓｕｒｆａｃｅｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｙ（ＳＥＭＧ）ｓｉｇｎａｌｓｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏ１６ｋｉｎｄｓｏｆｈｕｍａｎｇｅｓｔｕｒｅｓａｒｅｃｏｌｌｅｃｔｅｄｂｙｓｕｒｆａｃｅｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｙｓｉｇｎａｌａｃｑｕｉｓｉｔｉｏｎｉｎｓｔｒｕｍｅｎｔ．Ｓｅｃｏｎｄｌｙ，ＳＥＭＧｆｅａｔｕｒｅｓａｒｅｅｘｔｒａｃｔｅｄｆｒｏｍｔｉｍｅｄｏｍａｉｎ，ｆｒｅｑｕｅｎｃｙｄｏｍａｉｎａｎｄｔｉｍｅ－ｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎ，ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＰＣＡ）ｉｓｕｓｅｄｔｏｒｅｄｕｃｅｔｈｅｄｉｍｅｎｓｉｏｎｏｆｄａｔａｆｅａｔｕｒｅｓ．Ｆｉｎａｌｌｙ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｄａｔａｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ＰＳＯ－ＳＶＭｉｓｕｓｅｄｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎ（ＧＡ－ＳＶＭ），ｔｈｉｓｍｅｔｈｏｄｈａｓｈｉｇｈｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｐｅｅｄ．Ｔｈｅｒｅｓｅａｒｃｈｒｅｓｕｌｔｓｃａｎｐｒｏｖｉｄｅａｎｅｗｉｄｅａｆｏｒｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ａｎｄｐｒｏｖｉｄｅｔｈｅｒｅｆｅｒｅｎｃｅｆｏｒｈｕｍａｎｕｐｐｅｒｌｉｍｂｍｏｔｉｏｎｊｕｄｇｍｅｎｔａｎｄｔｈｅｒｅｓｅａｒｃｈｏｆｕｐｐｅｒｌｉｍｂｒｅｈａｂｉｌｉｔａｔｉｏｎｒｏｂｏｔ．ʌＫｅｙｗｏｒｄｓɔｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ；ｓｕｒｆａｃｅｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｙｓｉｇｎａｌ；ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ作者简介：王㊀博（１９９７－），男，硕士研究生，主要研究方向：智能控制㊁机器学习；闫㊀娟（１９７８－），女，高级实验师，硕士生导师，主要研究方向：智能控制算法研究㊁机械自动化；杨慧斌（１９８３－），男，实验师，主要研究方向：智能控制㊁机械自动化；徐春波（１９９７－），男，硕士研究生，主要研究方向：机器视觉㊁智能控制；吴㊀晗（１９９７－），男，硕士研究生，主要研究方向：智能控制㊂通讯作者：闫㊀娟㊀㊀Ｅｍａｉｌ：ａｌｉｃｅｙａｎ＿ｓｈｕ＠１２６．ｃｏｍ收稿日期：２０２２－０８－２６０㊀引㊀言目前，国内人口老龄化的问题较为严峻，老年人的健康问题已经逐渐成为人们关注的焦点㊂研究可知，老年人往往行动不便或者难以表达，因此通过手势表达内心想法便成为非常重要的一种途径㊂目前，主要的手势识别方式有视觉识别［１］和人体生物信号［２］识别两种，其中表面肌电信号（ＳＥＭＧ）识别方式作为一种生物信号显得尤为重要，因为其中蕴含着大量的信息㊂基于此，本文中通过人体表面肌电信号进行手势识别，通过手势识别的研究为后续研究提供基础㊂迄今为止，关于肌电信号对人体手势识别的研究已经取得较多成果，但大多研究对手势识别研究不够深入，赵诗琪等学者［３］使用了支持向量机来识别４种手势，识别结果为９９．９２％㊂隋修武等学者［４］通过非负矩阵分解与支持向量机的联合模型识别６种手势动作，识别结果为９３％㊂江茜等学者［５］通过多通道相关性特征识别８种手势动作，识别结果为９４％㊂当识别的手势种类增多时，分类器的识别精度将会随之降低，大量学者对分类器进行优化以利于提高识别精度㊂Ｌｅｏｎ等学者［６］对９Copyright ©博看网. All Rights Reserved.种手势进行识别，识别精度为９４％㊂Ｌｉａｎ等学者［７］通过Ｋ最邻近和决策树算法识别１０种手势动作，识别率仅为８９％㊂综上所述，为了满足当前医疗康复设备的需求，多手势识别的精确度还有待提高㊂使用ＳＥＭＧ信号进行手势识别时，特征提取和模式识别是提高手势识别精度的关键㊂典型的特征提取方法主要包括时域特征提取㊁频域特征提取和时频域特征提取［８］㊂模式识别主要通过搭建分类器实现，基于ＳＥＭＧ识别常用的分类器主要包括ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络［９］㊁极限学习机（ＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，ＥＬＭ）［１０］㊁卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＣＮＮ）［１１］和支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）［１２］等分类模型㊂但以上方法均存在一定程度的不足：ＢＰ神经网络在识别手势时准确率较低；由于极限学习机要经过反复的迭代学习，因此其训练速度在一定程度上相对缓慢；ＫＮＮ计算量较大，计算时间长；ＳＶＭ分类思想简单㊁分类效果较好，但训练参数值的选取会影响分类器的效果［１３］㊂基于上述分析，本文中提出一种基于粒子群算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化支持向量机的多手势识别方法，以提高多手势的识别精度㊂首先，利用主成分分析法对提取的表面肌电信号特征进行降维处理；然后，利用ＰＳＯ对ＳＶＭ的惩罚参数Ｃ和核函数半径参数ｇ迭代寻优；最后，使用ＰＳＯ优化的ＳＶＭ（ＰＳＯ－ＳＶＭ）分类模型识别了１６种手势，并与未优化的ＳＶＭ分类模型和遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＧＡ）优化的ＳＶＭ分类模型进行对比，从而验证本文所提方法的准确性㊂１㊀ＳＥＭＧ数据采集方法分析１．１㊀实验数据采集受试者为实验室中３名男生和１名女生㊂受试者年龄在２３２８岁，平均身高在１７０ｃｍ，均为右手使用者且无神经肌肉骨骼疾病㊂实验前２４ｈ内没有进行高强度运动并且身心舒适㊂用磨砂膏和７５％酒精棉清洁右肢掌长肌㊁桡侧腕屈肌㊁尺侧腕屈肌㊁指伸肌㊁指浅屈肌和肱桡肌皮肤表面皮肤，减少皮肤阻抗干扰㊂通过Ｄｅｌｓｙｓ无线肌电设备对６块肌肉的表面肌电信号同时进行采集㊂受试者端坐于试验台前，背部保持９０ʎ，左手臂自然垂下㊂实验时，共采集１６个手势动作，每个动作维持６ｓ，休息４ｓ，进行６次循环，重复以上动作直至４名受试者全部采集完成㊂１．２㊀信号预处理ＳＥＭＧ信号是由人体内神经肌肉系统产生的一种特别微弱的生物电信号㊂ＳＥＭＧ信号的电压幅度范围是０５ｍＶ，频率范围是２０１０００Ｈｚ，其主要能量集中在５０１５０Ｈｚ范围内㊂因此，首先设计陷波滤波去除原始信号中５０Ｈｚ的工频干扰，再设计３０３００Ｈｚ的巴特沃斯带通滤波器去除肌电信号中的基线漂移及其他噪声信号㊂图１分别为滤波前后的时域波形及频域振幅谱，较好地滤除了有效范围外的噪声信号㊂210-1-2-3102030405060幅度/10-4t /s（ａ）原始波形1.51.00.51002003004005006007008009001000频率/H z参考幅值/10-6（ｃ）原始振幅图210-1-2-3102030405060幅度/10-4t /s（ｂ）滤波后波形1.51.00.51002003004005006007008009001000频率/H z参考幅值/10-6（ｄ）滤波后振幅图图１㊀肌电信号滤波图Ｆｉｇ．１㊀ＦｉｌｔｅｒｉｎｇｄｉａｇｒａｍｏｆＳＥＭＧｓｉｇｎａｌ４７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright ©博看网. All Rights Reserved.１．３㊀特征提取为了能更全面地分析ＳＥＭＧ信号中所包含的信息，本文分别提取了肌电信号中的时域特征㊁频域特征和时频域特征三种特征模型㊂１．３．１㊀时域特征提取本文选用的时域特征有均方根值（ＲＭＳ）和绝对平均值（ＡＲＶ）㊂时域特征值的计算公式为：ＲＭＳ＝１ＮðＮｉ＝１ｘ２ｉ（１）ＡＲＶ＝１ＮðＮｉ＝１ｘｉ（２）㊀㊀其中，ｘｉ（ｉ＝１，２，，Ｎ）是信号的时间序列㊂１．３．２㊀频域特征提取本文选用的频域特征是平均功率频率（ＭＰＦ）和中值频率（ＭＦ）㊂频域特征值的计算公式为：ＭＰＦ＝ʏ¥０ｆˑＰＳＤｆ()ｄｆʏ¥０ＰＳＤｆ()ｄｆ（３）ＭＦ＝１２ʏ¥０ＰＳＤｆ()ｄｆ（４）㊀㊀其中，ｆ是ＳＥＭＧ信号的频率，ＰＳＤ（ｆ）是ＳＥＭＧ信号的功率谱密度函数㊂１．３．３㊀时频域特征提取时频分析法可以对信号在时域和频域内的能量信号同时进行展现，这对于分析非平稳信号相当重要㊂其中，小波变换具有较好的准确性，本文采用小波变换计算时频域特征瞬时平均功率（ＩＭＰＦ）和瞬时中值频率（ＩＭＦ），公式具体如下：ＩＭＰＦ＝ʏｆ２ｆ１ｆˑＰＳＤ（ｔ，ｆ）ｄｆʏｆ２ｆ１ＰＳＤ（ｔ，ｆ）ｄｆ（５）ʏＩＭＦｆ１ＰＳＤ（ｔ，ｆ）ｄｆ＝ʏｆ２ＩＭＦＰＳＤ（ｔ，ｆ）（６）㊀㊀其中，ｆ是ＳＥＭＧ信号的频率，ＰＳＤ（ｔ，ｆ）是频率和时间的二维函数㊂１．４㊀特征降维本文利用６通道ＳＥＭＧ信号，以此对３６个维度的特征参数进行提取㊂高维数据由于存在很多冗余特征，使得实验过程中的计算量增多，并因此对分类器产生极大的影响㊂同时，在此过程会产生过拟合㊁维数灾难等系列问题，从而降低分类器的性能［１４］㊂因此，本文中使用主成分分析法进行降维处理㊂对其步骤流程可做分述如下㊂（１）首先，将计算得到的特征值进行处理构建样本矩阵，样本矩阵通过ｍ行ｎ列的矩阵Ｘ表示，得到：Ｘ＝ｘ１１ｘ１２ｘ１ｎｘ２１ｘ２２ｘ２ｎ︙︙⋱︙ｘｍ１ｘｍ２ｘｍｎéëêêêêêùûúúúúú（７）㊀㊀（２）构建数据样本的协方差矩阵Ｃ＝１ｍ－１ＸＴＸ，得到协方差矩阵：Ｃ＝ｃ１１ｃ１ｎ︙⋱︙ｃｎ１ｃｎｎéëêêêêùûúúúú（８）㊀㊀（３）分解协方差矩阵Ｃ并计算协方差矩阵的特征值λ１ȡλ２ȡ ȡλｎ和特征向量ａ１，ａ２，，ａｎ㊂（４）确定特征矩阵主成分的个数ｖ并构建主成分矩阵：Ｙｍˑｖ＝ＸｍˑｎＡｎˑｖ（９）㊀㊀其中，Ａｎˑｖ＝［ａ１，ａ２，，ａｖ］，最后得到ＳＥＭＧ手势特征降维后的主成分特征Ｙｍˑｖ㊂２㊀分类器设计２．１㊀支持向量机分类支持向量机（ＳＶＭ）是基于统计学领域的ＶＣ维理论和结构风险学最小理论基础上的一种机器学习算法，常用于模式分类和非线性回归［１５］㊂通常，通过将向量映射到高维空间，以此来解决输入量与输出量之间的非线性问题㊂同时，通过设定的核函数ｇ，将输入空间利用非线性变换转变到高维空间，从而通过高维空间得到最优线性分类面㊂对于给定的训练样本集｛（ｘｉ，ｙｉ）｝，ｉ＝１，２，，ｎ，ｘɪＲｎ，ｙɪ（－１，１），设最优平面为ωＴｘ＋ｂ＝０，分类间隔为：γ＝２ ω （１０）㊀㊀判别模型为：ｆ（ｘ）＝ｓｉｇｎ（ωＴｘ＋ｂ）（１１）㊀㊀若要找到最大间隔，即找到参数和使得最大，等价于最小化，因此求解问题最终转化为带约束的凸二次规划问题：ｍｉｎω，ｂ１２ ω ２＋Ｃðｎｉ＝１εｉ（１２）ｓ．ｔ．㊀ｙｉ（ωＴｘｉ＋ｂ）ȡ１－εｉ５７１第７期王博，等：基于ＰＳＯ－ＳＶＭ的表面肌电信号多手势识别Copyright©博看网. All Rights Reserved.εｉ＞０，ｉ＝１，２，，ｎ㊀㊀其中，εｉ＝１－ｙｉ（ωＴｘｉ＋ｂ）为损失函数，Ｃ是惩罚参数，Ｃ的值与错误分类的惩罚程度成正比，其值越小，则惩罚程度越小；反之，惩罚程度越大㊂同时，利用凸优化理论，将约束问题通过引入的拉格朗日乘子法转化为无约束问题：㊀Ｌω，ｂ，λ()＝１２ ω ２＋Ｃðｎｉ＝１εｉ－ðｎｉ＝１μｉεｉ－ðｎｉ＝１λｉ（ｙｉ（ωｘｉ＋ｂ）－１＋εｉ）（１３）λｉȡ０，μｉȡ０对于极大值㊁极小值及对偶问题，令∂Ｌ∂ω＝０，∂Ｌ∂ｂ＝０，∂Ｌ∂ε＝０，因此得到：ω＝ðｎｉ＝１λｉｙｉｘｉðｎｉ＝１λｉｙｉ＝０Ｃ＝λｉ＋μｉìîíïïïïïï（１４）㊀㊀因此，最终得到：ｍｉｎλ１２ðｎｊ＝１ðｎｉ＝１λｉλｊｙｊｙｉｘｊｘｉ－ðｎｉ＝１λｉ（１５）ｓ．ｔ．㊀ðｎｉ＝１λｉｙｉ０ɤλｉɤＣ２．２㊀粒子群优化算法粒子群优化算法（ＰＳＯ）是一种设计无质量的粒子来模拟鸟群中的鸟不断迭代寻优来解决优化问题的方法［１６］㊂粒子的速度和位置通过迭代进行更新，粒子群优化算法公式为：Ｖｋ＋１ｉｄ＝ωＶｋｉｄ＋ｃ１ｒ１ｐｂｅｓｔｋｉｄ－ｘｋｉｄ()＋ｃ２ｒ２ｇｂｅｓｔｋｉｄ－ｘｋｉｄ()ｘｋ＋１ｉｄ＝ｘｋｉｄ＋ｖｋ＋１ｉｄ{其中，ω表示惯量因子；ｄ＝１，２，，Ｄ表示空间维数；ｉ＝１，２，，ｎ表示粒子数；ｋ表示当前迭代次数；ｖｋｉｄ表示第ｉ个粒子在第ｋ次迭代速度；ｘｋｉｄ表示第ｉ个粒子在第ｋ次迭代位置；ｐｂｅｓｔｋｉｄ表示第ｉ个粒子的个体最优解；ｇｂｅｓｔｋｉｄ表示第ｉ个粒子的全局最优解；ｃ１，ｃ２表示学习因子；ｒ１，ｒ２表示随机数㊂空间中的粒子不断搜寻其自身的最优解，将自身最优解传递给其他粒子，在所有传递的个体最优解中寻找全局最优解，所有粒子根据自身最优解及全局最优解不断调整位置及速度㊂２．３㊀粒子群优化支持向量机为了使ＳＶＭ能够对肌电信号特征进行快速精确地识别，通过ＰＳＯ对ＳＶＭ中分类识别影响最大的２个元素进行优化，即惩罚参数Ｃ和核函数半径参数ｇ，将ＳＶＭ结果中误差最小的一组惩罚参数和核函数半径参数用于预测分类㊂图２是ＰＳＯ优化ＳＶＭ的流程图㊂由图２可知，ｍ个粒子在Ｄ维空间中不断更新运动速度及自身所处位置，通过反复迭代寻优得到ＳＶＭ的最优参数㊂粒子群优化：更新全局最优个体更新速度更新位置根据S V M 参数形成初始种群计算适应度值形成新的种群是否满足条件交叉验证，得到最佳准确率作为适应度值返回输入参数训练S V M得到S V M 最优参数结束开始参数适应度值是否图２㊀ＰＳＯ－ＳＶＭ流程图Ｆｉｇ．２㊀ＰＳＯ－ＳＶＭｆｌｏｗｃｈａｒｔ６７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright ©博看网. All Rights Reserved.㊀㊀ＰＳＯ优化ＳＶＭ主要包括初始化种群㊁寻找初始极值㊁迭代寻优等操作，其步骤为：（１）在Ｄ维空间中，随机对ｍ个粒子进行初始化，即对ＳＶＭ参数编码，形成初始种群㊂（２）初始化的种群输入到ＳＶＭ分类器中，通过训练得到适应度值㊂（３）评估计算得到的粒子适应度值㊂（４）寻找全局最优参数，并判断是否满足终止条件㊂（５）若寻找得到的最优参数不满足终止条件，则更新迭代过程中的全局最优速度和全局最优位置，形成新的种群返回到步骤２继续计算；当结束条件得到满足时，通过将最优参数对ＳＶＭ重新训练，并将其作为最终分类器对特征识别分类㊂㊀㊀通过上述ＰＳＯ优化算法得到ＳＶＭ中惩罚参数Ｃ和核函数半径ｇ的最优解，对分类器进行训练和分类预测㊂３㊀实验结果分析实验将从２方面对所提出方法模型进行分析验证：（１）分别使用本文设计的算法模型与传统ＳＶＭ模型㊁遗传算法优化ＳＶＭ模型对相同的实验数据进行实验对比，验证模型的有效性㊂（２）为判断模型的识别性能，使用交叉验证，将训练样本与验证样本的数据来源分割开来用于实验，以评估方法的通用性，使用不同人的训练样本去验证其他人的测试样本㊂３．１㊀不同分类模型的对比分析将ＰＣＡ降维后的特征矩阵按照５ʒ１的比例分类参与分类器的训练和验证，训练和测试的样本不重叠且从实验者中平均调取㊂测试结果如图３所示㊂表２是关于分类器识别性能在不同方法下的对比㊂实际类型预测类型16141210864220406080100120140160样本序号类型（ａ）ＳＶＭ预测结果161412108642020406080100120140160测试集样本类别标签实际测试集分类预测测试集分类测试集的实际分类和预测分类图A c c u r a c y =94.375%（ｂ）ＧＡ－ＳＶＭ预测结果1009080706050400102030405060708090100最佳适应度平均适应度进化代数适应度（ｃ）ＧＡ－ＳＶＭ迭代次数161412108642020406080100120140160测试集样本类别标签实际测试集分类预测测试集分类测试集的实际分类和预测分类图A c c u r a c y =95.625%（ｄ）ＰＳＯ－ＳＶＭ预测结果100908070605040最佳适应度平均适应度进化代数102030405060708090100适应度（ｅ）ＰＳＯ－ＳＶＭ迭代次数图３㊀测试结果对比图Ｆｉｇ．３㊀Ｃｏｍｐａｒｉｓｏｎｔａｂｌｅｏｆｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ７７１第７期王博，等：基于ＰＳＯ－ＳＶＭ的表面肌电信号多手势识别Copyright ©博看网. All Rights Reserved.表１㊀不同模型结果对比表Ｔａｂ．１㊀Ｃｏｍｐａｒｉｓｏｎｔａｂｌｅｏｆｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ实验方法平均迭代次数平均准确率／％ＳＶＭ＼８７．５００ＧＡ－ＳＶＭ２６９１．３２０本文方法１１９４．２５３㊀㊀由上述实验结果可以得出分析如下，不同方法表现出不同的分类效果㊂其中，传统的ＳＶＭ方法，分类效果易受到干扰，分类精度不高；ＧＡ－ＳＶＭ虽然能够提高手势的识别精度，但在分类过程中需要经过３１次的迭代才能够达到分类的效果；对于本文中的方法，不仅对手势识别的准确率保持最高，同时也大大缩减了算法的复杂度，极大地提高了运算处理效率，表现出较好的分类识别性能㊂３．２㊀不同数据源实验验证考虑模型的通用性，即模型中训练的数据是基于部分受试者肌电信号进行训练，但手势识别对其他受试者的肌电信号同样适用㊂同时，为了分析所提出的模型在相同被试和不同被试下的识别性能，实验设计了男女混合验证的方式以消除性别的影响，按照２位男性同学的肌电信号进行训练，另外２位同学的肌电信号用于识别㊂分别使用ＳＶＭ和ＰＯＳ－ＳＶＭ进行实验对比，验证本文中所提方法的有效性㊂得到的训练结果性能对比见表２㊂表２㊀不同数据源实验结果对比表Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｔａｂｌｅｏｆｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｄａｔａｓｏｕｒｃｅｓ分类模型平均准确率／％ＳＶＭ８２．２３ＰＳＯ－ＳＶＭ９０．６４㊀㊀由表２中的结果可知：不同数据源的实验比同一数据源降低了３．６１％，而ＳＶＭ下降程度更高，也进一步说明了本文中所提出的优化方法具有较好的识别性㊂４㊀结束语为了提高多手势识别的精度，文中提出了基于ＰＳＯ－ＳＶＭ的识别方法㊂结果表明，通过肌电信号的陷波滤波和带通滤波进行预处理，并对其从时域㊁频域和时频域提取信号特征，再经过ＰＣＡ降维后使用本文所构建的ＰＳＯ－ＳＶＭ分类模型对１６种手势识别准确率达到９４．２５３％，将其与未被优化的ＳＶＭ模型和ＧＡ－ＳＶＭ模型进行对比，可知其识别效果有非常明显的改善㊂后续可将ＰＳＯ－ＳＶＭ分类模型应用于机械运动控制㊁外骨骼控制等领域㊂参考文献［１］解迎刚，王全．基于视觉的动态手势识别研究综述［Ｊ］．计算机工程与应用，２０２１，５７（２２）：６８－７７．［２］梁旭，王卫群，侯增广，等．康复机器人的人机交互控制方法［Ｊ］．中国科学：信息科学，２０１８，４８（０１）：２４－４６．［３］赵诗琪，吴旭洲，张旭，等．利用表面肌电进行手势自动识别［Ｊ］．西安交通大学学报，２０２０，５４（０９）：１４９－１５６．［４］隋修武，牛佳宝，李昊天，等．基于ＮＭＦ－ＳＶＭ模型的上肢ｓＥＭＧ手势识别方法［Ｊ］．计算机工程与应用，２０２０，５６（１７）：１６１－１６６．［５］江茜，李沿宏，邹可，等．肌电信号多通道相关性特征手势识别方法［Ｊ／ＯＬ］．计算机工程与应用：１－９［２０２２－０３－０７］．ｈｔｔｐｓ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２１２７．ｔｐ．２０２２０３０３．２１０３．００８．ｈｔｍｌ．［６］ＬＥＯＮＭ，ＧＵＴＩＥＲＲＥＺＪＭ，ＬＥＩＪＡＬ，ｅｔａｌ．ＥＭＧｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓｃｌａｓｓｉｆｉｅｒｆｏｒｍｙｏｅｌｅｃｔｒｉｃｃｏｎｔｒｏｌｐｕｒｐｏｓｅｓ［Ｃ］／／２０１１ＰａｎＡｍｅｒｉｃａｎＨｅａｌｔｈＣａｒｅＥｘｃｈａｎｇｅｓ．ＲｉｏｄｅＪａｎｅｉｒｏ，Ｂｒａｚｉｌ：ＩＥＥＥ，２０１１．［７］ＬＩＡＮＫＹ，ＣＨＩＵＣＣ，ＨＯＮＧＹＪ，ｅｔａｌ．Ｗｅａｒａｂｌｅａｒｍｂａｎｄｆｏｒｒｅａｌｔｉｍｅｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／２０１７ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ（ＳＭＣ）．Ｂａｎｆｆ，ＡＢ，Ｃａｎａｄａ：ＩＥＥＥ，２０１７：２９９２－２９９５．［８］石欣，朱家庆，秦鹏杰，等．基于改进能量核的下肢表面肌电信号特征提取方法［Ｊ］．仪器仪表学报，２０２０，４１（０１）：１２１－１２８．［９］梅武松，李忠新．基于手形和姿态的军用动态手势识别方法研究［Ｊ］．兵器装备工程学报，２０２１，４２（０５）：２０８－２１４．［１０］来全宝，陶庆，胡玉舸，等．基于人工鱼群算法－极限学习机的多手势精准识别［Ｊ］．工程设计学报，２０２１，２８（０６）：６７１－６７８．［１１］许留凯，张克勤，徐兆红，等．基于表面肌电信号能量核相图的卷积神经网络人体手势识别算法［Ｊ］．生物医学工程学杂志，２０２１，３８（０４）：６２１－６２９．［１２］都明宇，鲍官军，杨庆华，等．基于改进支持向量机的人手动作模式识别方法［Ｊ］．浙江大学学报（工学版），２０１８，５２（０７）：１２３９－１２４６．［１３］徐云，王福能．采用ｓＥＭＧ的手势识别用ＡＰＳＯ／ＣＳ－ＳＶＭ方法［Ｊ］．电子测量与仪器学报，２０２０，３４（０７）：１－７．［１４］黄铉．特征降维技术的研究与进展［Ｊ］．计算机科学，２０１８，４５（Ｓ１）：１６－２１，５３．［１５］王霞，董永权，于巧，等．结构化支持向量机研究综述［Ｊ］．计算机工程与应用，２０２０，５６（１７）：２４－３２．［１６］冯茜，李擎，全威，等．多目标粒子群优化算法研究综述［Ｊ］．工程科学学报，２０２１，４３（０６）：７４５－７５３．８７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.。

基于PSO-SVM的关键生物参数软测量方法研究

最佳参数，并建立了基于ＰＯ—ＳＭ的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证，ＳＶ结果表明该模型具有
很好的学习精度和泛化能力。另外在建模耗时上，ＳＰＯ—ＳＭ算法所用时间远少于标准ＳＭ算法所用时间。ＶＶ关键词：粒子群优化；支持向量机；赖氨酸发酵；测量软中图分类号：Ｐ０．Ｔ３１６文献标识码：Ａ文章编号：０２—１４（０２０１０８１２１）３—０９００４— ３
ＳｕｆＳｆ－ｅｓｎｇＭｅｈｏｓｄｏｔｄｙｏｏｔｓｎｉｔｄＢａｅｎＰＳＯ — ＶＭｏｙＢｉｒｍｅｅｓＳｆｒＫｅｏＰａａｔｒ
ＳＮＹ —ｕ，ＮｉＪＸａ— ，Ｕｉ－ｎＵｕｋｎＷＡＧＱ，ｉｉｆＧ０Ｊｇｊｇｏｕｎｉ
０引言
限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，
以期获得最好的推广能力。１１支持向量机回归（ＶＲ）Ｓ
微生物发酵是一个十分复杂的非线性过程，多关键生物许
ｐｐｒｕｅｏ — ｎｉｇｔｏａｅｎＰＯＳＭ．ｈｐｉｌａａｅｅｓｆｕｐｒｖｃｏｃｉｅＳＭ）ｅｅｏｔｚｄｂａｅｓｄａｆｓｓｈｄｂｓｄｏＳ —ＶＴｅｏｔｒｍｔｐｏｔｅｔｒｓｔｅｎｍｅｍａｐｒｏｓｍａｈｓ（Ｖｗｒｐｉｅｙｎｍｉｔｅａｏｔｍｏａｉｌｓａｍｏｔｉｔｎ（Ｓ．ａｗｉ，ｅｓｆｓｎｉｇｍｏｅｂｓｄｏＳ —Ｖａｓｂｉｅ．ｈｎｈｌｒｈｆｒｃｗｒｐｉｚｉＰＯ）Ｍｅｎｈｌｔｏ — ｓｄｌａｅｎＰＯＳＭｗｓｅｔｌｈｄＴｅｇｉｐｔｅｍａｏｅｈｔｅｎａｓ

pso-svm算法原理

pso-svm算法原理PSOSVM算法原理PSOSVM（Particle Swarm Optimization Support Vector Machine）是一种基于粒子群优化（PSO）的支持向量机（SVM）算法。

PSO算法是一种经典的全局优化算法，通过模拟鸟群或鱼群等生物群体行为，寻找最优解。

SVM算法是一种常用的机器学习算法，用于分类和回归问题。

PSOSVM算法结合了PSO算法的全局搜索能力和SVM算法的分类性能，能够在高维数据集中寻找到最佳的分类超平面。

下面将一步一步解释PSOSVM算法的原理。

1. 数据准备PSOSVM算法的输入是一个包含已知分类标签的训练数据集。

训练数据集由一组特征向量和相应的类标签组成。

特征向量描述了数据样本的特征，而类标签指示了每个样本的分类。

2. 初始化粒子群和SVM参数PSOSVM算法首先需要初始化粒子群，即一组粒子的初始位置和速度。

每个粒子代表了一个SVM模型的候选解。

粒子的位置表示了SVM模型的参数向量（例如权重向量和截距）的取值，而粒子的速度表示了参数向量的更新速度。

此外，初始化也需要设置PSO的参数，如惯性权重、加速度系数和迭代次数等。

这些参数决定了算法的搜索效率和精度。

3. 粒子运动和更新在PSOSVM算法中，粒子的运动可通过以下过程实现：- 计算粒子的适应度（即分类性能）：根据当前粒子位置和速度，计算对应SVM模型的分类性能，通常使用交叉验证等方法评估。

- 更新粒子的最佳位置：比较当前粒子的适应度与历史最佳适应度，更新粒子的最佳位置，即当前拥有最好性能的SVM模型参数。

- 更新粒子的速度和位置：根据粒子自身的历史行为和群体最优行为，更新粒子的速度和位置。

这个过程使用加速度系数和随机数来控制粒子的移动速度和方向，以实现全局搜索。

- 限制粒子的位置和速度：为了保证SVM模型参数的可行解和避免搜索过程出现过度迭代，需要根据问题的约束条件限制粒子的位置和速度。

基于二进制PSO算法的特征选择及SVM参数同步优化

ＳｍｕｔｎｅｕａｕｒｌｃｉｎｎｄＳＶＭｒｍｅｅｓＯｐｔｍｉａｉｎｇｒｔｉｌａｏｓＦｅｔｅＳｅｅｔｏａＰａａｔｒｉｚｔｏＡｌｏｉｈｍｓｄｏＢｉｒＯＢａｅｎｎａｙＰＳＲＥＮｉｎ — ｏＺＪａｇＴａＨＡＯｈｏＤｏｇＸＵｈｎＣｈｎＹＩＪａＳａ－ｎＳｅ－ａＮｉｎ
摘要特征选择及分类器参数优化是提高分类器性能的两个重要方面，传统上这两个问题是分开解决的。近年来，随着进化优化计算技术在模式识别领域的广泛应用，编码上的灵活性使得特征选择及参数的同步优化成为一种可能和趋势。为了解决此问题，本文研究采用二进制ＰＯ算法同步进行特征选择及ＳＳＶＭ参数的同步优化，出了一种提ＰＯ－Ｖ算法。实验表明，ＳＳＭ该方法可有效地找出合适的特征子集及ＳＭ参数，Ｖ并取得较好的分类效果；且与文１］－４所提出的ＧＡＳＹ算法相比具有特征精简幅度较大、－ＶＩＩ运行效率较高等优点。关键词特征选择，支持向量机，同步优化，粒子群算法
维普资讯
计算机科学２０Ｖｏ．４０６０７１３Ｎ．
基于二进制ＰＯ算法的特征选择及ＳＭ参数同步优化）ＳＶ
州５０７）１２５
１引言
分类问题是模式识别领域的核心问题，主要包括分类器模型的选择、特征选择及分类器参数优化等子问题。近年来，随着模式识别研究的深入，研究对象越来越复杂，对象的特征

基于改进PSO算法优化SVR的信息安全风险评估研究

基于改进PSO算法优化SVR的信息安全风险评估研究作者：任远芳牛坤丁静谢刚来源：《贵州大学学报（自然科学版）》2024年第01期文章编号 1000-5269（2024）01-0103-07 DOI：10.15958/ki.gdxbzrb.2024.01.16收稿日期：2023-05-10基金项目：贵州省省级本科教学内容和课程体系改革资助项目（2022&25）;贵州省科技计划资助项目（黔科合支撑[2023]一般371）;贵州大学引进人才科研项目（贵大人基合字2022[21]）作者简介：任远芳（1987—），女，助理实验师，硕士，研究方向：多媒体教室、教育技术、信息安全，E-mail：****************.*通讯作者：任远芳，E-mail：****************.摘要：为改善信息安全风险评价的精确度，利用改进的粒子群算法，提出了一种新的优化回归型支持向量机的信息安全风险评估方法。

首先，通过模糊理论对信息安全风险因素进行量化预处理；其次，经过预处理后的数据输入到回归型支持向量机模型中；再次，利用改进的粒子群算法来优化和训练回归型支持向量机的参数，得到了优化后的信息安全风险评估模型；最后，通过仿真实验对该模型的性能进行验证。

实验结果表明，提出的方法能很好地量化评估信息系统风险，提高了信息安全风险评估的精确性，是一种有效的评估方法。

关键词：信息安全；风险评估；模糊理论；回归型支持向量机；粒子群算法；参数优化中图分类号：TP309文献标志码：A随着网络化和信息化的日益进步，网络安全事件层出不穷。

2021年1月3日，国外安全团队cyble发现有人出售中国公民信息。

紧接着，1月26日，巴西数据库泄露。

以上安全事件大都是违法分子利用一些系统的漏洞进行入侵和攻击所导致的。

可见，如何保证网络安全是长期以来的重要探讨课题。

近年来，针对网络安全方面，新的法律法规、工作指南陆续发布。

2021年8月，《中华人民共和国个人信息保护法》正式公布。

蜂群算法和PSO算法

4、进入迭代 count++
根据公式调整粒子的位置判断粒子的位置和速度有没有超出范围再调用libsvm计算新的准确率，得到新的最优值做一些粘滞次数的判断，或者选择一些粒子随机更新位置
5、count >iter，返回最优值，并退出循环
谢谢观赏
Make Presentation much more fun
参数：
3、程序根据获取的c,g值调用libsvm对训练集进行训练，并计算模型预测的准确率（这个准确率就是用来评价解决方案优劣的指标）；算出个体最优和全局最优
粒子的数量 number_of_particle; 学习因子c1,c2；最大迭代次数iter；搜索空间的范围 x_max , x_min；粒子更新速度的范围 v_max , v_min；
@WPS官方微博 @kingsoftwps
蜂群算法伪代码
1、Initialsolution() //初始化解决方案Xij，( i=1，2……SN，j=1,2……D) 其中SN为解决方案的总数，D为个方案中参数的个数。 2、cycle=0; 3、重复执行： 4、雇佣蜂阶段：ProcessEmployedBee(); GenerateNeighborMemorySolution(); //产生邻近方案判断是否放弃食物源；判断是否更新食物源信息； 5、侦查蜂阶段：ProcessScoutBee(); 搜索蜂巢周边的食物源；发现更好的食物源则更新信息； 6、旁观蜂阶段：在舞蹈区观察并选择更好的食物源； Cycle=cycle+1; 7、每次记录目前为止最佳的解决方案; 8、直到cycle超过最大循环次数，退出循环 9、返回最佳的解决方案
XMU-DM
title

基于连续PSO算法的特征选择和SVM参数同步优化算法

究的。然而，特征选择和参数优化这两个问题是互相影响的：
定的终止条件，如达到指定的迭代次数。Ｓ例ＰＯ算法的流程如图１示。所
一
特征子集的选择将影响到参数选择，因为对不同的特征子集而言，最优的参数是不同的：反之亦然。所以，获取最佳特
在ＰＯ算法中，优化问题的每个潜在解都可以想象成ｄＳ维搜索空间里的一个点，称之为 “ 子 ”。粒子当前位置的粒好坏由目标函数进行评估，目标函数根据粒子的位置计算出相应的适应值（ｉｎｓａｕ）。每个粒子都知道自己到目ＦｔｅｓＶｌｅ
【稿Ｅ期】２１— ８１收ｔ０００— ２【者简介】赵少东，供职于广东电网公司深圳供电局。作
（东电网公司深圳供电局，深圳５８０）广１０１
【摘要】为解决ＳＭ的特征选择和参数优化问题，文章提出了一种基于连续ＰＯ算法的特征选择和ＳＶＳＶＭ参数同步优
化算法（ＳＳＣＰＯ— ＶＭ）目标是在尽可能提高ＳＭ分类精度的同时，选择尽可能少的特征数目。在真实数据集上的实验研究，其Ｖ
法找到具有较好可分性的特征子空间，从而实现降维，降低
经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置，这个可以看作是粒子的同伴的飞行经验。粒子在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整，继而被用来计算粒子的新位置。优化搜索正是在由一群随机初始化形

基于改进PSO-LSSVM的军用工程机械研制费用预测模型

ｉｒｖｄｐｅｃｉｎｍｏｅａｈｅｙｇｏｒｄｃｉｎａｃｒｃｎｆｃｅｃ．ｍｐｏｅｒｄｉｔｏｄｌｓｔｅｖｒｏｄｐｅｉｔｏｃｕａｙａｄｅｈｉｉｎｙＫｅｗｏｄ：ｍｉｉｒｅｇｎｅｉｇｙｒｓｌａｔｙｎｉｅｒｎｍａｈｎｒ；ｒｓａｃｃｓｓｏｅａｔｎ；ｐｒｉｌｓｒｏｔｉａｉｎ；ｌａｔｓｕｒｃｉｅｙｅｅｒｈｏｔ；ｆｒｃｓｉｇａｔｅｗａｍｐｉｚｔｏｃｍｅｓｑａｅｓｐｏｔｅｔｒｍａｈｎｓｕｐｒｃｏｃｉｅｖ
ｓｐｏｅｔｒｍａｈｎＬＳｕｐｒｖｃｏｃｉｅ（ＳＶＭ）ｉｒｅｅｅｔｒｐｅｉｔｎｅｆｃ．ｈｒｄｃｉｎｒｓｌｈｗａｅｐｅｉｔｎｔｎｏｄｒｏｇｔｔｒｄｃｉｆｅｔＴｅｐｅｉｏｅｕｔｓｏｔｔｔｒｄｃｉｔｂｅｏｔｓｈｈｏ
ｍｏｅｅｎｔｅｃｓｌａｙｅｇｎｅｉｇｍａｈｎｒ，ｉｂｉｕｌｕｅｉｒｔｈｒｄｔｏａｏｅａｔｎｄｌｕｓｄｉｈｏｔｍｉｉｒｎｉｅｒｎｃｉｅｙｓｏｖｏｓｙｓｐｒｏｏｔｅｔａｉｎｌｆｒｃｓｉｇｍｏｅ．Ｔｈｔｉｄ１ｅ
ｄｖｌｐｅｔｏｔｓｆｒｃｓｉｇｍｏｅ．ｔＵｅｗｏｋｎｓｏｐｉｚｔｏｔａｅｙｔｍｐｏｅｔｅＰｅｅｏｍｎｓ ’ ｏｅａｔｎｄ１ＩＳＳｔｉｄｆｔｍｉａｉｎｓｒｔｇｏｉｒｖｈＳＯ，ｗｈｃａｏｔｏｈｃｏｉｈｃｎｃｎｒｌｔｅ

多子种群PSO优化SVM的网络流量预测

Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法的早熟停滞缺陷，最后根据最优参数建立网络流量预测模型，并采用实际网络流量数据进行仿真测试．结果表明，相对于其他预测模型，ＭＳＰＳＯ— ＳＶＭ可以获得更优的ＳＶＭ参数，网络流量预测精度得以提高，更加适用于复杂多变的网络流量预测．
ｐａｐｅｒ．Ｆｉｒｓｔｌｙ，ＳＶＭｐａｒａｍｅｔｅｒｉｓｅｎｃｏｄｅｄｉｎｔｏｔｈｅｏｓｐｉｔｉｏｎｏｆｔｈｅｐａｒｔｉｃｌｅ，ａｎｄｍｉｎｉｍｕｍｔｈｅｃｒｏｓｓ
ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄｓｕｐｏｒｐｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＭＳＰＳＯ— ＳＶＭ）ｉｓｐｒｏｏｓｐｅｄｉｎｔｈｉｓ
Ａｂｓｔｒａｃｔ：Ｔｈｅｎｅｔｗｏｒｋｔｒａｆｆｉｃｈａｓｔｉｍｅ — ｖａｒｙｉｎｇａｎｄｎｏｎｌｉｎｅａｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅ
第３７卷第５期
北
京
交
ｏ．５
ＯＦＢＥＩＪＩＮＧ．１１Ａ０１ＩＧＵＮＩＶＥＲＳＩＴＹ