摘要:

节点定位是无线传感器网络关键技术之一；首先,根据信号传播模型-对数正态阴影衰落模型,确定基于接收信号强度的最大似然目标函数.因为无法通过求导的方法求出目标方程的解析解,所以这里采用网格搜索的方法,来确定节点的最优坐标；在考虑如何进行网格搜索时,借鉴图像压缩算法中的三步搜索算法、共轭搜索算法等,来确定待测试点的坐标；当待测坐标中使目标函数值达到最大时,该点即为未知节点的最优坐标；本文仿真了上述算法,与现有的一些定位算法相比:复杂度低,无需测量节点之间的距离,精度有了10％左右的提高.

摘要:

[目的]应用参数优化支持向量机对水稻施氮水平进行准确分类预测,为水稻精准施肥和高产管理提供科学依据.[方法]以水稻品种金优458为试验材料,设4个施氮水平(从高至低折合纯氮用量分别为225、150、75和0 kg/ha),通过叶绿素测量仪SPAD-502获取水稻第6~9叶序叶片的SPAD值(即叶尖、叶中和叶枕的SPAD值),并分别应用网格搜索算法和粒子群算法参数优化支持向量机对4个施氮水平下的水稻叶片SPAD值进行训练和预测分类.[结果]对于第7、8叶序、第7~9叶序及第6~8叶序叶片组合,粒子群算法参数优化支持向量机对水稻施氮水平的分类识别效果均优于网格搜索算法,其准确率均高于75.000%,对归一化处理后的第7、8叶序叶片组合识别率最高,达88.889%.[结论]基于粒子群算法参数优化支持向量机适用于水稻施氮水平分类预测,能满足农学研究的需求.

摘要:

针对SVM中当训练样本数非常多时,分类算法训练阶段的计算量庞大;当训练样本集中存在噪声时,影响训练阶段超平面划分的准确度,导致分类准确率降低等问题,提出了一种基于密度的训练样本裁剪的SVM算法.首先应用密度裁剪算法裁剪掉原始训练样本集中存在的噪声和冗余样本,作为新训练样本集,使用网格搜索算法在新的训练样本集中对SVM参数(C,g)寻优,进行SVM训练并建模,达到分类的目的.实验结果表明,该算法同无样本裁剪的SVM算法相比分类准确率有所提高、训练阶段的时间耗费大大降低.

摘要:

为了缩短支持向量机(support vector machine,SVM)参数优化时长,提高SVM参数优化的效率,提出了基于图形处理单元(graphic processing unit,GPU)的SVM参数优化并行算法.分析了基于网格搜索和粒子群优化算法的并行特性,基于GPU设计了该优化算法的并行化方案,并在单GeForce GT 650M GPU卡上进行了试验验证.结果表明,并行化网格搜索和并行化粒子群参数优化算法不仅可以取得与非并行化参数优化算法相同的优化效果,而且执行时间大大减小,其中并行粒子群参数优化算法的加速比可高达26.85,大幅提升了SVM的参数优化效率.

摘要:

针对圆锥度误差评定中寻找理想圆锥轴线问题,提出了网格搜索算法,并建立了圆锥度误差数学模型.该算法是在圆锥初始、终止截面的最小二乘圆心周围,布置一定边长的正方形并以此划分网格点,将两截面的网格点两两连线作为理论圆锥轴线,计算最小区域圆锥度误差.论述了采用网格搜索算法求解圆锥度误差的原理和步骤.实例表明,网格搜索算法可以有效、正确地评定圆锥度误差.

摘要:

[目的]应用参数优化支持向量机对水稻施氮水平进行准确分类预测,为水稻精准施肥和高产管理提供科学依据.[方法]以水稻品种金优458为试验材料,设4个施氮水平(从高至低折合纯氮用量分别为225、150、75和0 kg/ha),通过叶绿素测量仪SPAD-502获取水稻第6~9叶序叶片的SPAD值(即叶尖、叶中和叶枕的SPAD值),并分别应用网格搜索算法和粒子群算法参数优化支持向量机对4个施氮水平下的水稻叶片SPAD值进行训练和预测分类.[结果]对于第7、8叶序、第7~9叶序及第6~8叶序叶片组合,粒子群算法参数优化支持向量机对水稻施氮水平的分类识别效果均优于网格搜索算法,其准确率均高于75.000%,对归一化处理后的第7、8叶序叶片组合识别率最高,达88.889%.[结论]基于粒子群算法参数优化支持向量机适用于水稻施氮水平分类预测,能满足农学研究的需求.

摘要:

结合几何形状误差的定义及球度误差的几何特征,提出了一种球度误差评定的几何算法——网格搜索算法.以最小二乘球心为初始参考点,按一定的规则布置一系列的网格点,依次以各网格点为假定理想球心计算所有测量点的半径值,通过比较、判断获得相应评定方法(最小外接球法、最大内接球法和最小区域球法)的球度误差值.阐述了球度误差网格搜索算法原理和实现过程.实例结果表明,该算法可以有效、正确地评定球度误差.

摘要:

近年来我国多地区雾霾天气频发,针对PM2.5浓度变化的非线性、时变性等特点,建立了基于支持向量机-小波神经网络(SVM-WNN)的组合预测模型.采用网格搜索算法对SVM的参数进行优化,利用优化后的模型进行初始预测,并结合WNN强大的非线性拟合能力的特点对其预测残差进行修正.以石家庄市每小时监测的PM2.5浓度数据为样本建立模型并进行预测,结果表明,组合模型预测的平均相对误差为7.2％.对比单一模型,组合模型的预测的效果更好,这也为短时PM2.5浓度预测提供一个新的方法.