基于改进灰狼算法优化多核支持向量回归机及其应用
作者:
作者单位:

作者简介:

通讯作者:

基金项目:

国家自然科学基金(61702093); 黑龙江省自然科学基金(F2018003); 大庆市指导性科技项目(zd-2019-09); 东北石油大学青年科学基金(2020QNL-10)


Optimization of Multi-Core Support Vector Regression Based on Improved Gray Wolf Algorithm and Its Application
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    为更好发现数据中的复杂规律, 避免核函数选择的盲目性和局部最优等非线性优化问题, 本文提出一种基于改进灰狼算法优化多核支持向量回归机算法. 首先, 基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型; 其次, 利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化; 最后, 应用灰色关联分析理论确定采油速度影响因素集, 并作为多核支持向量回归机预测模型的输入. 与6种采油速度预测方法进行对比, 所提方法具有较好的全局寻优能力和较高的预测率的优点.

    Abstract:

    In order to find the complex rules in the data, avoid the blindness of kernel function selection and local optimal nonlinear optimization problems, this study proposes an improved gray wolf algorithm to optimize the multi-core support vector regression machine algorithm. Firstly, a multi-core SVM oil production speed prediction model is constructed based on the global kernel function and the local kernel function. Secondly, the gray wolf optimization algorithm is improved based on the cloud model and the quadratic interpolation algorithm to optimize the selection of the weights and parameters of the kernel function. Finally, the influencing factors set of oil production speed is determined by the grey correlation analysis theory and used as the multi-core SVM prediction model. Compared with 6 kinds of prediction methods of oil production rate, the proposed method has the advantages of better global optimization ability and higher prediction rate.

    参考文献
    相似文献
    引证文献
引用本文

王颖,朱刘涛,童勤,张强.基于改进灰狼算法优化多核支持向量回归机及其应用.计算机系统应用,2021,30(1):256-263

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2020-06-07
  • 最后修改日期:2020-07-07
  • 录用日期:
  • 在线发布日期: 2020-12-31
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号