文献类型：期刊文章

作　　者：李翼[1] 张本慧[1] 郭宇燕[2]

Li Yi;Zhang Benhui;Guo Yuyan(School of Mathematical Sciences,Huaibei Normal University,Huaibei Anhui 235000,China;School of Computer Science and Technology,Huaibei Normal University,Huaibei Anhui 235000,China)

机构地区：[1]淮北师范大学数学科学学院,安徽淮北235000 [2]淮北师范大学计算机科学与技术学院,安徽淮北235000

出　　处：《统计与决策》

基　　金：国家自然科学基金青年项目(61902140);安徽省高校自然科学基金资助项目(KJ2020B07;KJ2019B01);安徽省高校自然科学基金重大项目(KJ2020ZD008)。

年　　份：2021

卷　　号：37

期　　号：13

起止页码：45-49

语　　种：中文

收录情况：BDHX、BDHX2020、CSSCI、CSSCI2021_2022、NSSD、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：文章首先针对最小二乘支持向量机(Lssvm)对高维输入特征较为敏感的问题,提出以Lasso算法筛选输入特征,建立Lasso-Lssvm预测模型,并通过粒子群算法对Lssvm中核函数的未知参数进行优化。然后,针对粒子群算法容易陷入局部最优和后期收敛较慢等问题,提出了改进的粒子群算法(IPSO):基于网格划分方法,完成粒子初始化;在设定粒子速度更新的惯性权重时,基于Sigmod函数提出种群对比自适应动态惯性系数;针对粒子所处位置的优劣,动态变化学习因子。最后,基于1985—2018年能源排放相关数据建立改进的粒子群算法优化下的Lasso-Lssvm模型。结果表明,Lasso方法可以有效解决Lssvm对高维输入特征敏感的问题,所提出的粒子群算法有更好的寻优能力和鲁棒性,改进粒子群算法优化下的Lasso-Lssvm模型拥有更好的拟合效果和预测精度,验证了该方法的适用性和优越性。

关 键 词：特征筛选  Lasso回归  IPSO算法  Sigmod函数  

分 类 号：C81[统计学类]