一种基于模拟退火的支持向量机超参数优化算法

基于统计学习理论的支持向量机技术以探求小样本情况下如何获得更好的机器学习规律而见长,与基于经验风险最小化原则的机器学习方法相比能够获得更佳的泛化能力,相关超参数的选择对其分类或回归性能有较大影响.针对径向基核支持向量机超参数优化问题,提出了一种改进的基于模拟退火算法的高效多目标优化算法,并详细讨论了优化寻优过程中搜索空间、初始可行解、初温和最优目标函数的设计方法.通过在多个标准数据集上的测试验证,证实了本文所提算法的可行性和有效性.     

基于多层感知机的密封继电器PIND信号识别

设计了一套航天密封继电器信号识别方法，基于微粒碰撞噪声检测(PIND)法，通过对信号的时域及频域的特征分析选取了多个具有代表性的特征。运用了机器学习方法，采用多层感知机并对其进行超参数寻优，找到了最优的超参数组合。对信号进行处理分析来判断密封继电器内是否存在多余物。提高了分类的准确率，同时也提高了模型的整体性能。