دانلود پایان نامه درمورد ماشین بردار پشتیبان و مدل ترکیبی

پس از کدنویسی دادهها از طریق متلب فراخوانی شدند و از میان آنها 60 درصد برای آموزش، حدود 20 درصد برای صحتسنجی مدل و مابقی به عنوان دادههای آزمون برای رویکرد نخست، یعنی مدل حداقل مربعات ماشین بردار پشتیبان، در نظر گرفته شد. مدل بارها و بارها اجرا شد و نتایج مطلوبی حاصل شد که در ادامه در مورد آنها بحث میشود. مدل حداقل مربعات ماشین بردار پشتیبان دارای دو پارامتر از پیش تعیین شده بوده و باید در حین مدلسازی واسنجی شوند. این پارامترها عبارتند از: یا پارامتر تنظیم و پارامتر مربوط به تابع کرنل که بسته به نوع کرنل متفاوت است. در ابتدا بر روی دادهها عمل پیشپردازش صورت گرفته و دادهها نیز نرمالیزه شدند. با استفاده از دادههای آموزشی عملیات یادگیری بر روی مدل صورت گرفته و با استفاده از دادههای صحتسنجی پارامترهای مدل واسنجی شده و پس از آن از طریق دادههای آزمون میزان یادگیری مدل بررسی شده است. در رویکرد ثانویه، بهینهیابی اجتماع ذرات بر روی دادهها پیادهسازی شد که در ادامه به بحث در مورد آن پرداخته میشود.
بحث و نتایج
رویکرد نخست، حداقل مربعات ماشین بردار پشتیبان
در مدلسازی اولیه مربوط به رویکرد پیشنهادی نخست، سعی شده که پارامترهای کالیبره مدل LSSVR با الگوریتم بهینهسازی اجتماع ذرات واسنجی شود. بدین ترتیب که در ابتدا مقادیر مختلفی را به صورت تصادفی در یک فضای جستوجوی وسیع به پارامترهای مدل حداقل مربعات ماشین بردار پشتیبان اختصاص داده که این مقادیر برای الگوریتم اجتماع ذرات نقش موقعیت ذرات را خواهد داشت. تکتک این موقعیتها به طور جداگانه وارد مدل حداقل مربعات رگرسیون بردار پشتیبان شده و شبیهسازی رسوب انجام میگیرد. مقادیر شبیهسازی با مقادیر اندازهگیری شده مقایسه شده و میزان خطای شبیهسازی محاسبه میشود. از بین ذرات مختلف ذرهای که موقعیت آن موجب کمینه خطا در مدل میشود، به عنوان “بهترین عمومی” در نظر گرفته میشود. از طرفی دیگر بهترین موقعیتی که هر ذره در طول تکرارهای مختلف داشته به عنوان “بهترین فردی” شناخته میشود. از طریق “بهترین عمومی” و “بهترین فردی”، سرعت و موقعیت کلیه ذرات بهروز شده و برای تکرار بعدی به کار برده میشوند. همین روند ادامه یافته تا همه ذرات به سمت یک ذره که دارای موقعیت بهینه است، همگرا شوند. بعضی اوقات ممکن است مدل همگرا نشود برای همین تعداد تکرارها معلوم فرض میشوند. موقعیت بهینه در واقع همان مقادیر واسنجی شده پارامترهای تنظیم و کرنل هستند. در شکل (5-1) فلوچارتی از این روند ارائه شده است. با بررسی توابع کرنل مختلف ملاحظه گردید که تابع پایه
Widget not in any sidebars

Start
Enter training data
Generate initial particles together with their velocities

Update particle velocities and positions
Update the best particles
Evaluate according RMSE of each particle and set the best particle
End
Select the best particle
Termination condition satisfied?

شکل ‏51: فلوچارت مدل ترکیبی الگوریتم PSO و LSSVM
YES
NO
Conversion of constrained optimization problem to its Lagragian version
Conversion to LP
Derivative of Lagragian function subject to
Finding the values of and e by above equation in terms of Lagrange multipliers and then substitution in Lagranian function
Using a kernel function such as RBF
شعاعی قابلیت تعمیم بهتری نسبت به سایر توابع کرنل دیگر داشته و از این تابع برای مدلسازی استفاده شد. مقادیر پارامتر تنظیم و پارامتر کرنل RBF با استفاده از الگوریتم PSO واسنجی شدند که به ترتیب برابر با 7158/71 و 5385/16 هستند. نتایج مربوط به دادههای آموزشی و آزمون از قبیل همگرایی پارامترهای تنظیم و کرنل، نمودار پراکندگی و هیستوگرام خطاها را میتوان در شکلهای (5-2) تا (5-7) مشاهده نمود.
شکل ‏52: همگرایی پارامتر تنظیم ()