科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对预测问题中，特别是在大数据预测问题中的支持向量回归(SVR)超参数自适应调整问题，提出一种基于K-means聚类和混沌哈里斯鹰算法的超参数自适应支持向量回归方法。在超参数数值范围内，随机生成SVR超参数集群。使用K-means聚类获取训练集聚类中心，根据聚类中心和SVR超参数集群获得验证集的预测结果。以均方误差为目标，使用混沌哈里斯鹰算法不断更新超参数集群，找出最佳超参数，并对测试集进行预测，获得最终的均方误差，以测试方法的泛化能力。与其他知名方法进行对比，基于5组数据集，对预测的准确性、稳定性和时间复杂度进行了评估，本方法以0.226的整体性能评分排名第一。最后将本文方法应用到滚齿工艺参数预测领域，与其他方法的应用效果进行比较，验证了本方法的可行性和有效性。
- 出版日期2022
- 单位河海大学; 中国船舶工业综合技术经济研究院
