遗传算法优化支持向量机的城市交通状态识别

发布时间：2022-07-02 14:41

　　城市交通状态识别是智能交通控制、诱导和协同系统的基础。为提高支持向量机（support vector machine,SVM）在城市交通状态识别研究方面的泛化能力,将遗传算法（genetic algorithm,GA）与支持向量机相结合,利用遗传算法全局搜索优势对支持向量机的关键参数——惩罚系数C和核函数参数σ进行优化,建立基于遗传算法优化支持向量机（GA-SVM）的城市交通状态识别模型,并在MATLAB平台下进行实例验证。研究结果表明:相较于SVM模型,GA-SVM模型克服了依靠经验确定参数方法的缺点,识别精度提高3.75%,即模型可更好地识别城市交通状态。 

【文章页数】：6 页

【文章目录】：
0 引言
1 支持向量机
    1.1 支持向量机分类理论
    1.2 支持向量机参数对其性能的影响
2 GA-SVM交通状态识别模型
    2.1 城市道路交通状态分类理论和方法
    2.2 遗传算法优化SVM参数
    2.3 GA-SVM模型
3 MATLAB实验分析
    3.1 数据采集与处理
    3.2 仿真分析
4 结论


【参考文献】：
期刊论文
[1]基于支持向量机和遗传算法的变压器故障诊断[J]. 吐松江·卡日,高文胜,张紫薇,莫文雄,王红斌,崔屹平.  清华大学学报(自然科学版). 2018(07)
[2]基于云-支持向量机的道路交通拥挤预警模型[J]. 廖瑞辉,周晶.  系统工程. 2015(04)
[3]基于模糊C均值聚类的城市道路交通状态判别[J]. 黄艳国,许伦辉,邝先验.  重庆交通大学学报(自然科学版). 2015(02)
[4]交通状态划分的参数权重聚类方法研究[J]. 张亮亮,贾元华,牛忠海,廖成.  交通运输系统工程与信息. 2014(06)
[5]基于支持向量机的城市道路交通状态模式识别研究[J]. 于荣,王国祥,郑继媛,王海燕.  交通运输系统工程与信息. 2013(01)
[6]基于BP神经网络的道路交通状态判别方法研究[J]. 巫威眺,靳文舟,林培群.  交通信息与安全. 2011(04)
[7]基于遗传动态模糊聚类的道路交通状态判定方法[J]. 任其亮,谢小淞.  交通运输工程与信息学报. 2007(03)
[8]基于环形线圈检测器采集信息的交通状态分类方法应用研究[J]. 皮晓亮,王正,韩皓,孙亚.  公路交通科技. 2006(04)



本文编号：3654548