[发明专利]一种基于蚁群算法优化的分段支持向量机回归的校正算法

摘要

一种基于蚁群算法优化的分段支持向量机回归的校正算法，属于一种分段支持向量机回归的校正算法。本发明针对现有算法的缺陷，提供了一种测量电压精准、成本低、校正精度高、稳定性好、能够得到全局最优解、回归结果稳定的校正算法。本发明所述的校正算法的计算步骤为：样本空间划分；建立回归模型，设置初始向量机参数，根据误差值确定蚂蚁位置的信息素：搜索并更新信息素，保存全局最优解；确定蚂蚁下一步信号转移概率：建立动态的信息素挥发因子；建立动态因子；更新信息素，记录信息素最大的蚂蚁，重新搜索，直至得到的全局最优解。本发明所述的校正算法尤其适用于传统的光纤光栅电压传感器非线性校正。

主权项

1.一种基于蚁群算法优化的分段支持向量机回归的校正算法，其特征在于，包括如下计算步骤：步骤一、依据数据的分布情况将样本空间分为两个子空间；步骤二、构造支持向量机的回归模型，根据需要优化的参数构造目标函数；步骤三、确定蚂蚁种群大小，给每只蚂蚁分配一组支持向量机参数(σ，γ)；其中σ为核函数参数，γ为惩罚系数；步骤四、根据步骤三得到的支持向量机参数(σ，γ)对每个子空间数据建立最小二乘支持向量机回归，得到每个子空间对应的支持向量机误差模型：Δt(i)＝α‑Error(i)       (13)其中Δt为误差值，Error为最小均方误差，α为常数，i为蚂蚁位置；对蚁群算法中的信息素进行初始化；步骤五、根据步骤四中的误差模型预测得到的误差值来确定蚂蚁i位置的信息素：T0(i)＝α‑Error(i)      (14)其中T0为信息素；步骤六、通过蚁群进行全局和局部搜索，信息素不断更新，同时保存每代的全局最优解；步骤七、由蚁群优化向量机的参数来使信息素得到更新，步骤八、在每次迭代中将信息素最大的蚂蚁记录下来，若总迭代次数nc＜预定的迭代次数，则转至步骤六，执行步骤七到步骤十一，若总迭代次数nc＞预定的迭代次数，则得到的全局最优解为核函数参数σ和惩罚系数γ；步骤九、将优化后的惩罚系数γ和核函数参数σ代入目标函数中，再进行最小二乘支持向量回归；步骤十、计算出最小均方误差，然后和没有经过参数优化的回归算法相比较。