پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,715 |
| تعداد مقالات | 14,054 |
| تعداد مشاهده مقاله | 34,041,313 |
| تعداد دریافت فایل اصل مقاله | 13,630,785 |
انتخاب زیر مجموعه بهینه ماهواره‌ها با استفاده از مدل ترکیبی SVMPSO به منظور افزایش دقت مکان‌یابی GPS | ||
| هوش محاسباتی در مهندسی برق | ||
| مقاله 6، دوره 6، شماره 4، اسفند 1394، صفحه 0-63 اصل مقاله (2.26 M) | ||
| نوع مقاله: مقاله پژوهشی فارسی | ||
| نویسندگان | ||
| محمد حسین رفان* 1؛ عادل دمشقی2؛ مهرنوش کمر زرین3 | ||
| 1استادیار، دانشکده مهندسی برق و کامپیوتر- دانشگاه تربیت دبیر شهید رجایی- تهران- ایران | ||
| 2- کارشناس ارشد، دانشکده مهندسی برق وکامپیوتر- دانشگاه تربیت دبیر شهید رجایی - تهران- ایران | ||
| 3دانشجوی کارشناسی ارشد، دانشکده مهندسی برق وکامپیوتر- دانشگاه شهید بهشتی - تهران- ایران | ||
| چکیده | ||
| هندسه ماهواره‌ها، نشان‌دهنده مکان‌های هندسی ماهواره‌های GPS است، فاکتوری که ارتباط هندسی صورت فلکی ماهواره‌های GPS را با همدیگر نشان می‌دهد، GDOP است. همه گیرنده‌ها از الگوریتم‌هایی برای انتخاب ماهواره‌ها استفاده می‌کنند، در این مقاله هدف استفاده از راهکار دسته‌بندی و تخمین فاکتور GDOP برای انتخاب زیر مجموعه بهینه ماهواره‌ها است. برای این منظور از مدل ترکیبی SVMPSO استفاده شده است. این مدل بر خلاف روش ماتریس معکوس که به دلیل تاخیرهای محاسباتی اعلام موقعیت بلادرنگ را دچار نقصان می‌کرد، با دقت، سرعت و قابلیت اطمینان بالا فاکتور GDOP را محاسبه می‌کند. مدل SVM یکی از مدل‌های قوی برای دسته‌بندی و تخمین است، نقش PSO بهینه‌سازی پارامترهای اساسی SVM است. این روش عملکرد SVM را در دقت و سرعت بهبود می‌دهد. مدل SVMPSO برای دسته‌بندی ماهواره‌های دیده شده با گیرنده ارزان قیمت GPS پیاده‌سازی شد. 4 نقشه متفاوت برای محاسبه فاکتور GDOP وجود دارد. شبیه‌سازی هر 4 نقشه در این مقاله منعکس و با یکدیگر مقایسه گردید. پیاده‌سازی مدل و نتایج شبیه‌سازی خطای تخمین مدل SVMPSO را کمتر از 16/0 و دقت دسته‌بندی آن را بیش از 99 درصد نشان دادند. روش ارائه شده با روش‌های GA، NN و SVM که اخیرا برای محاسبه GDOP استفاده شده‌اند، مقایسه گردید. | ||
| کلیدواژه‌ها | ||
| بهینه‌سازی گروهی ذرات؛ سامانه مکان‌یاب جهانی؛ ماشین بردار پشتیبان؛ GDOP | ||
| اصل مقاله | ||
|
سامانه مکان‌یاب جهانی یک نوع سامانه مسیریابی بر اساس ماهوارههاست که توسط سازمان دفاعی آمریکا در دهه 1970 گسترش پیدا کرد [1]. سامانه GPS شامل بیش از 24 ماهواره است، با استفاده از حداقل 4 ماهواره مکان کاربر در 3 بعد مشخص میشود [2]. در دقت مکان‌یابی GPS 2 عامل مؤثر است؛ 1- خطای مشاهده شده در هر سیگنال دریافتی و 2- شکل هندسی تشکیل شده از ماهواره‌های قابل مشاهده. عامل GDOP یک عامل هندسی از پیش تعیین شده است که اثر هندسه را در توصیف رابطه خطای اندازهگیری با خطا تعیین موقعیت نشان می‌دهد. در دسترس بودن ماهواره‌های GPS و پیکربندی آنها نیز نقش مهمی در کنار عوامل دیگر بازی می‌کند [3]. برخی از گیرنده‌ها محدودیتهایی در تعداد ماهواره‌های قابل مشاهده دارند، بنابراین، نیاز است زیر مجموعهای از ماهواره‌ها انتخاب شود. این زیر مجموعه باید بهترین یا قابل قبولترین فرم هندسی را داشته باشند. بهینهترین زیر مجموعه ماهواره‌ها با حداقل رساندن عامل GDOP انتخاب میشود. گیرندههای GPS به علت تعداد محدود کانالهایشان قادر به پردازش دادههای همه ماهواره‌های در دسترس نیستند، بنابراین، در این موارد انتخاب زیرمجموعهای از ماهواره‌ها که بهترین یا مناسبترین راه حل را عرضه می‌کنند، ضروری است [1]. روش‌های موجود برای محاسبه GDOP بیشتر شامل روش‌های ماتریس معکوس، الگوریتم شکلدهی مسدود و مقدار حداکثر چهار وجهی است. درستترین روش برای محاسبه GDOP، استفاده از ماتریس معکوس برای کلیه ترکیبها و انتخاب کوچکترین آنهاست، اما معکوس کردن ماتریس، به ویژه در زمانی که تعداد ماهواره‌ها زیاد است، بار محاسباتی زیادی برای پردازشگر ناوبر به همراه خواهد داشت [4]. از آنجا که GDOP یک تفسیر ساده را از دقت موقعیت توسط یک واحد از خطای اندازهگیری فراهم می‌کند، مطلوب است در صورت فلکی ماهوارهای ترکیبی از ماهواره را انتخاب کنید که کوچکترین GDOP ممکن را داشته باشد. روش‌های گوناگونی بر اساس GDOP برای افزایش دقت مکان‌یابی GPS مطرح شده‌اند. به جای محاسبه مستقیم روابط GDOP و جلوگیری از زمان پردازش ماتریس معکوس بهتازگی از روش‌های شبکه عصبی، الگوریتم ژنتیک و SVM استفاده شده است [7-5]. استفاده از مدل ماشینبردار پشتیبان در سالهای اخیر برای دسته‌بندی و تخمین گسترش یافته است، اما کاربردهای این مدل محدود شده است؛ زیرا کیفیت آن به تعیین شاخصهای SVM و شاخصهای کرنل SVM وابستگی زیادی دارد. نیاز است یک روش خودکار، معتبر و با سرعت نسبی زیاد برای تعیین شاخصها انتخاب شود. در این مقاله، از روش PSO برای تعیین شاخصهای SVM استفاده شده است. الگوریتم PSO روش جستجوی مبتنی بر جمعیت است که بستگی به اشتراکگذاری اطلاعات میان اعضای جمعیت خود دارد، تا فرآیندهای جستجوی خود را با استفاده از ترکیبی از قوانین قطعی و احتمالی ارتقاءدهد. با این حال، PSO اپراتورهای ژنتیکی مانند آمیزش و جهش را ندارد. در مقایسه با GA نحوه به اشتراکگذاری اطلاعات درPSO متفاوت است. همچنین، زمان محاسباتی PSO و تعداد شاخصهای مورد استفاده در این مدل نسبت به GA کمتر است. ساختار این مقاله به این شکل است؛ در بخش دوم مروری روی کارهای انجام شده درباره دسته‌بندی ماهواره‌ها انجام شده است. بخش سوم مقاله نحوه محاسبه GDOP را بیان می‌کند. بخش چهارم مقاله روش SVMPSO است. بخش پنجم شبیه‌سازی و بررسی نتایج است. مقاله با نتیجهگیری در بخش ششم پایان مییابد. 2- مروری بر کارهای گذشته 3- عامل GDOP در این معادله، و به ترتیب نشان دهند مکان کاربر و مکان ماهواره در سه بعد هستند. شاخص C نشان دهنده سرعت نور و نشان‌دهنده نویز اندازهگیری شبهفاصله است. با تعریف و با توجه به رابطه (2) خواهیم داشت: در رابطه (3) ، ، و برقرار است. بردار نشان‌دهنده بردار line-of-sight از کاربر به ماهواره است. رابطه (3) به شکل زیر بازنویسی میشود: راه حل کوچکترین مجذور برای معادله شبه فاصله خطی GPS، (معادله 4) به شکل زیر ارایه شده است: در معادله (4) ابعاد ماتریس هندسی G است که در آن خواهد بود. کیفیت راه حل ناوبری برای معادله شبه فاصله خطی با به دست آوردن تفاوت موقعیتهای صحیح و تقریبی به شکل معادله (6) است: در رابطه اخیر و متوسط صفر دارند. کوواریانس بین خطاها در اجزای موقعیت تخمین زده شده برابر است با: که در آن عملگر امید ریاضی است. اگر تمام اجزای Vدو به دو ناهمبسته و واریانس داشته باشند. بنابراین، و در نتیجه: بهترین حالت هندسی ماهواره‌ها وقتی حاصل میشود که ماهواره‌ها با حداکثر فاصله از هم در فضا قرار گرفته باشند. تأثیرهای هندسی ماهواره‌ها با یک عدد تک بعدی به نام DOP اندازهگیری و تعریف میشود. هر چه مقدار این عامل کمتر باشد وضعیت هندسی بهتری حاصل خواهد شد. تغییرات نسبی ماهواره‌ها و گیرنده‌ها موجب تغییر مقدار DOP خواهد شد. تغییر DOP بیشتر جز دو مورد به کندی است، وقتی که ماهواره از دید گیرنده خارج شود و وقتی که بین ماهواره و گیرنده موانع وجود داشته باشد [12]. با توجه به نیاز کاربر انواع مختلفی از DOP وجود دارد، ترکیب DOP مکان با DOP زمانی DOP هندسی را شکل می‌دهد [9]. در این مورد ماتریس G به شکل رابطه (9) تعریف میشود: جایی که و به ترتیب ارتفاع و زاویه ماهواره است. عامل GDOP از رابطه زیر حاصل میشود: این عامل مشخص می‌کند که چقدر یک واحد از خطای اندازهگیری در خطای موقعیت برای نقطهای با مختصات مشخص دخیل است. تعیین دقیق ماهواره‌ها بر اساس ضریب GDOP به دقت بیشتر در مکان‌یابی منجر میشود. از آنجا که یک ماتریس میباشد و دارای 4 مقدار ویژه به ازای است، مشخص است که 4 مقدار ویژه ماتریس خواهد بود. براساس این واقعیت رابطه (2) به شکل زیر بازنویسی میشود: بر اساس ارتباط بین ورودی و خروجی 4 نقشه برای GDOP قابل اجرا است. جدول (1) و شکل (2) این 4 نقشه را مشخص می‌کند. جدول (1): ساختار 4 نقشه محاسبه عامل GDOP نگاشت با تعریف 4 متغیر به شکل زیر انجام میشود [12]. چهار نقشه مختلف به این شکل است که: نقشه دوم، 10 ورودی و 4 خروجی: نقشه سوم، 4 ورودی و 1 خروجی: نقشه چهارم، 10 ورودی و 1 خروجی: نگاشت بهGDOP بسیار غیر خطی است و به شکل تحلیلی حل نمیشود. تعیین آن با مدل SVMPSO و با آزمایش هر 4 نقشه انجام میشود [6]، [9]، [10].
4- ماشین بردار پشتیبان که در آن y خروجی معادله، ارزش طبقه نمونه آموزشی و . نشان‌دهنده ضرب داخلی است. بردار نشان دهنده یک داده ورودی و بردارهای ، بردارهای پشتیبان هستند. در معادله (24)، شاخصهای و تعیینکننده ابر صفحه هستند. اگر دادهها به شکل خطی قابل تفکیک نباشند، معادله (24) به معادله زیر تغییر پیدا می‌کند: تابع ، تابع کرنل است. در این مقاله، از تابع کرنل RBF استفاده شده است: که در آن پهنای باند کرنل تابع پایه شعاعی است و و شاخصهای تابع زیگمویدی هستند به نحوی که نامعادله برقرار باشد. فرآیند یادگیری برای ایجاد توابع تصمیمگیری دارای ساختاری دو لایه است. با استفاده از تئوری بهینه‌سازی برای طبقهبندی و بر اساس تئوری یادگیری آماری، SVM خطای طبقهبندی را به حداقل میرساند [19]، [20]. 4-1- مدل رگرسیونی SVM معرف تابع تلفات و میزان خطای مجاز در تابع تلفات است. شاخصهای کنترل کننده تابع رگرسیون بهینه با حل مسأله بهینه‌سازی زیر حاصل میشوند [22]: در روابط بالا متغیرهای slack هستند. این متغیرها به همراه تابع تلفات در شکل (3) نشان داده شده‌اند. برای حل مسأله بهینه‌سازی بالا به کمک تئوری لاگرانژ، تابع لاگرانژ مطابق با رابطه (31) نوشته میشود. با بیشینه شدن تابع فوق تحت محدودیتهای زیر، مقادیر بدست میآیند. مسأله بهینه‌سازی بالا به کمک روش‌های QP قابل حل است. دادههایی که ضرایب لاگرانژ متناظر با آنها غیر صفر باشد، به عنوان بردار پشتیبان شناخته میشوند [23]. از نظر هندسی این دادهها دارای خطاهای پیشبینی بزرگتر از هستند، بنابراین، بردارهای پشتیبان در درون باند قرار نمیگیرند، پس مقدار تعداد بردارهای پشتیبان را کنترل می‌کند [24]. به کمک ضرایب لاگرانژ و بردارهای پشتیبان، شاخصهای کنترل کننده پاسخ بهینه نیز به شکل (23) تا (35) محاسبه میشوند [25]: (33) در روابط بالا ، دو بردار پشتیبان هستند. برای ساخت مدل ماشین بردار پشتیبان، شاخصهای C و توسط کاربر تعریف میشوند. شاخص نیز میتواند مقادیر صفر تا بینهایت را بپذیرد. مسأله رگرسیون خطی در SVM به آسانی قابل گسترش به رگرسیون غیر خطی است. بدین منظور از توابع کرنل استفاده میشود. بدین ترتیب در حالت رگرسیون غیر خطی در SVM شاخصهای کنترل کننده تابع بهینه با روابط زیر محاسبه میشوند [25]: در روابط بالا K نشان دهنده کرنل است. 4-2- بیان مسأله 4-3- روش بهینه‌سازی گروهی ذرات که در آن و به ترتیب معرف موقعیت مکانی و سرعت بعد dام ذره i است. سرعت و موقعیت این بعد ذره در تکرار به شکل روابط (40) و (41) است. در روابط بالا، وزن اینرسی در بازه [1,0]، و ضرایب یادگیری یا شتاب در بازه [2,1] هستند. را شاخص اجتماعی و را شاخص شناختی میگویند و معمولا این دو با هم برابر هستند. Rand عدد تصادفی با توزیع یکنواخت در بازه [1,0]، بهترین موقعیت ذره در بعد dام تاکنون و بهترین موقعیت در بین کل ذرهها برای بعد ام تاکنون و بهترین موقعیت ذره در بین کل ذرهها برای بعد dام تا به حال است. برای ایجاد توازن لازم بین یافتن پاسخ کلی و محلی در رابطه بالا وارد شده است. ثابت شده است که شرط همگرایی الگوریتم آن است که رابطه (42) برقرار باشد. این رابطه به این معناست که اگر مقدار فعلی تابع برازندگی ذره iام، به ازای موقعیت فعلی ، از برازندهترین مقدار قبلی آن کمتر باشد، همین موقعیت به عنوان بهترین موقعیت این ذره ثبت میشود و در غیر این صورت بهترین موقعیت ذره، بهترین موقعیت قبلی باقی خواهد ماند [28]. فلوچارت الگوریتم PSO در شکل (4) دیده میشود. هر ذره دارای یک مکان تصادفی با فضای D بعدی و سرعت تصادفی در هر بعد است، هر ذره مورد ارزیابی قرار میگیرد، اگر ارزیابی هر ذره بهتر از بهترین ارزش ذرات بود، بردار مکان برای هر ذره ذخیره شود. اگر ارزش ذره در ارزیابی بهتر از بهترین کلی ذرات بود بردار مکان برای بهترین کلی ذخیره شود. سرعت و مکان ذره تا تصدیق شرایط پایانی به روز میشود. برای الگوریتم PSO 30 ذره به طور تصادفی تولید شد. ضرایب و به ترتیب 3/2 و 8/1 تعیین شد و وزن اینرسی به طور خطی بین 9/0 تا 5/0 کاهش پیدا کرد. حداکثر تعداد نمونهها 200 انتخاب شد. مقادیر شاخص c جستجو شده بین 01/0 و 35000 است، در حالیکه مقدار شاخص بین 0001/0 و 32 بوده است. مدل PSO برای تعیین شاخصهای SVM به شکل شکل (5) استفاده شد [29]: 5- پیاده‌سازی و شبیه‌سازی
شکل (7) گراف هندسی ماهواره‌های GPS را که توسط گیرنده GPS انتخاب شده است، برای3000 نمونه نشان می‌دهد. شبیه‌سازی با استفاده از یک پردازنده انجام شده است.
5-2- آزمایشها 5-2-1- بررسی عملکرد مدل در تقریب GDOP جدول (3): معیارهای مورد استفاده در سنجش عملکرد مدل PSOSVM در تخمین مقادیر GDOP در شکل (8)، GDOP محاسبه شده با ماتریس معکوس با رنگ قهوهای و مقادیر GDOP محاسبه شده با نقطههای مشکی نشان داده شده است. مدل استفاده شده در این شبیه‌سازی، نقشه نوع 1 محاسبه ضریب GDOP است. در قسمت (ب) همین شکل، شبیه‌سازی نقشه نوع دوم محاسبه GDOP آمده است که GDOP محاسبه شده با مدل PSOSVM، با نقاط بنفش مشخص شده است. به ترتیب در همین شکل و در قسمتهای (ج) و (د) نقشههای نوع سوم و چهارم محاسبه GDOP با نقاط رنگی سبز و آبی نمایان شده‌اند. به منظور مقایسه GDOP محاسبه شده در هر 4 نوع با یکدیگر و روش ماتریس معکوس شبیه‌سازی، شکل (6) قسمت (ه) منعکس شده است. شایان ذکر است که هر نوع، دارای پیچیدگی خاصی است، به گونهای که نقشههای نوع 1 و 3 از شاخصهای کمتری نسبت به نوع 2 و 4 بهره میبرند، زیرا در نوع 1 و 3 از 4 ورودی استفاده میشود در حالی که در نوع 2 و 4 از 10 ورودی بهره میبرد. تفاوت نوع 2 و 4 در این است که ورودیها در نوع 4 مستقیم و در نوع 2 غیر مستقیماند که موجب میشود تعداد شاخصهای نوع 4 از نوع 2 کمتر شود. نتیجهای که حاصل میشود این است که در نقشه چهارم بین ورودی و خروجیها ارتباط آسانتری برقرار است. خطای محاسبه GDOP با استفاده از رابطه زیر به دست میآید: در شکل (9) خطای محاسبه GDOP توسط مدل SVMPSO و در نوعهای 1، 2، 3 و 4 به ترتیب به رنگهای مشکی، سبز، بنفش و آبی نشان داده شده است. به منظور بررسی خطای محاسبه در شکل (9) قسمت (ه) ، خطاهای محاسبه این 4 نوع با هم مقایسه شده‌اند. مطابق با این شکل خطای حاصل از نقشه نوع سوم کمتر و پایدارتر از سایر نقشههاست. نقشه نوع سوم برای محاسبه مستقیم GDOP مناسبتر است. نقشههای 4 ورودی، نوع 1 و نوع 3، عملکرد بهتری نسبت به نقشههای 10 ورودی، نوع 2 و 4، دارند. با توجه به شکل 9-ه خطای نوع سوم از 3 نقشه دیگر کمتر است. جدول (4) دقت مدل PSOSVM را بر اساس معیارهای سنجش تعریف شده نشان می‌دهد. از این جدول مشخص است که دقت نقشه نوع سوم بهتر از سایر نقشههاست و پس از آن نقشه نوع اول دارای بهترین دقت است. عملکرد نقشهی نوع چهارم نسبت به سایر نقشهها ضعیفتر بوده است. مقایسه مدل PSOSVM با سایر مدلهایی که برای تخمین GDOP استفاده شده‌اند در جدول (4) نشان داده شده است. با توجه به شاخصهای تعریف شده اساسی برای مدل SVR، بهترین دقت حاصل شده برای این مدل که برای نوع سوم و با 4 ورودی است تقریبا 4/0 است. این مدل با مدل‌های دیگر شامل مدل NN، GA نیز مقایسه شد. مدل GA نیز نسبت به سه مدل دیگر دارای سرعت بهتری است و نسبت به NN دقیقتر است. مدل SVM تعمیمپذیری بهتری نسبت به GA و NN دارد. اما روش SVM چون از جستجوی هدایت شده و غیر خوکار استفاده می‌کند دقت کمتری نسبت به PSOSVM دارد. در مدل PSOSVM بین سرعت و دقت توازن برقرار است. جدول (4): مقایسه روش PSOSVM با مدل GA، NN و SVM به لحاظ سرعت و دقت
5-3-1- بررسی عملکرد دسته‌بندی GDOP با استفاده از مدل PSOSVM جدول (7): نتایج دسته‌بندی GDOP با روش GASVM جدول(8): مقایسه مدل PSOSVM با مدل‌های GA، NN و SVM 6- نتیجه گیری | ||
| مراجع | ||
|
[1] Indriyatmoko, A., Kang, T., Lee, T. Y, J., Jee G. I., Cho, Y. B., Kim, J., “Artificial Neural Networks for Predicting DGPS Carrier Phase and Pseudo-Range Correction”, Journal of GPS Solutions; Vol. 12, No. 4, pp. 237-247, 2008.
[2] Zhang, J., Zhang, K., Grenfell, R., Deakin R., “GPS satellite velocity and acceleration determination using the broadcast ephemeris”, Journal of Navigation; Vol. 59, pp. 293–305, 2006.
[3] Jwo, D. J., “ Efficient DOP calculation for GPS with and without altimeter aiding”, This Journal; Vol. 54, No. 2, pp. 269-279, 2001.
[4] Jwo, D. J., Lai, C. C., “Neural network-based GPS GDOP approximation and classification”, Journal of GPS Solutions; Vol. 11, No. 1, pp. 51–60, 2007.
[5] Wu, C. H., Ho, Y. W., Chen, L. W., Huang, Y. D., “Discovering approximate expressions of GPS geometric dilution of precision are using genetic programming”, Advances in Engineering Software; Vol. 45, pp. 332–340, 2012.
[6] Mosavi, M. R., Azami, H., “Applying Neural Network for Clustering of GPS Satellites”, Journal of Geoinformatics; Vol. 7, No. 3, pp. 7-14, 2011.
[7] Wu, C. H., Su, W. H., Ho, Y. W., “A study on GPS GDOP approximation using support vector machines. IEEE Trans Instrum Meas; Vol. 60, No. 1, pp. 137–45, 2011.
[8] Simon, D., Sherief, H., “Navigation satellite selection using neural networks”, Neuron computing; Vol. 7, No. 1, pp. 247–58, 1995.
[9] Mosavi, M. R., “An Effective Method for GPS GDOP Clustering Using Ant Colony Optimization Algorithm”, Asian Journal of Geoinformatics; Vol. 10, No. 4, pp. 91-97, 2010.
[10] Mosavi, M. R., “Applying Genetic Algorithm to Fast and Precise Selection of GPS Satellites”, Asian Journal of Applied Sciences; Vol. 4, No. 3, pp. 229-237, 2011.
[11] Ranjbar, M., Mosavi, M. R., “Simulated Annealing Clustering for Optimum GPS Satellite Selection”, IJCSI International Journal of Computer Science Issues; Vol. 9, No. 3, pp. 100-104, 2012.
[12] Jwo, D. J., Chin, K. P., “Applying Back-propagation Neural Networks to GDOP Approximation”, journal of navigation; Vol. 55, No. pp. 97-108, 2002.
[13] Vapnik, V. N., Golowich, S. E., Smola, A. J., “Support vector machine for function approximation, regression estimation and signal procession”, Adv. Neural Information Procession Syst; Vol. 9, No. 9, pp. 281-287, 1995.
[14] Cao, L. J., Tay, F. E. H., “ Support vector machine with adaptive parameters in financial time series forecasting”, IEEE Transactions on Neural Network; Vol. 14, No. 6, pp. 1506–1518, 2003.
[15] Farag, A., Refaat, M. M., Regression Using Support Vector Machines: Basic Foundations. Technical Report. [Online]. Available:http://wenku.baidu.com/view/256be2ef0975f4 6526d3e107.html
[16] Minqiang, P., Dehuai, Z., Gang, X. u., “Temperature Prediction of Hydrogen producing reactor using SVM regression with PSO-SVM”, Journal of computers; Vol. 5, No. 3, pp. 388-393, 2010.
[17] Nizam, M., Mohamed. A., Al-Dabbagh, M., Hussain. A. “Using Support Vector Machine for Prediction Dynamic Voltage Collapse in an Actual Power System”, International Journal of Electrical and Electronics Engineering; Vol. 37, No. 5, pp. 3730-3736, 2009.
[18] Shuo, H., Rung-Ching, C., “Using SVM with Financial Statement Analysis for Prediction of Stocks. Communications of the IIMA; Vol. 7, No. 4, pp. 63-72, 2007.
[19] Mohandes, M. A., Halawani, T. O., Rehman. S., Hussain, A. A., “Support vector machines for wind speed prediction”, Renewable Energy; Vol. 29, Vol. 6, pp. 939–947, 2004.
[20] Radhika, Y., Shashi, M., “Atmospheric Temperature Prediction using Support Vector Machines”, International Journal of Computer Theory and Engineering; Vol. 1, No, 1, pp. 1793-8201, 2009.
[21] Burgers, C. J. C., “A tutorial on support vector machines for pattern recognition” Data Mining and Knowledge Discovery; Vo. 21, No. 3, pp. 121–167, 1999.
[22] Cao, L. J., Tay, F. E. H., “Support vector machine with adaptive parameters in financial time series forecasting”, IEEE Transactions on Neural Network’ Vol. 14, No. 6, pp. 1506–1518, 2003.
[23] Ganapathiraju, A., “Support vector machines for speech recognition”, PhD Thesis, Mississippi State University, USA, 2001.
[24] Drucker, H., Burges, C., Kaufman, L., Smola, A., Vapnik, V., “Support Vector Regression Machines”, MIT Press, Cambridge; Vol. 9, No. 3, pp. 155-161, 1997.
[25] Smola, A. J., Scolkopf, B., “Tuotorial on support vector regression, NeuroCOLT2 technical report series”, NC2-TR-1998-03, 1998.
[26] Lin, S. W., Ying, K. C., Chen, S. C., Lee, Z. J., “Particle swarm optimization for parameter determination and feature selection of support vector machines”, Expert Systems with Applications, Vol. 35, pp. 1817–1824, 2008.
[27] Ren, Y., Bai, G., “Determination of Optimal SVM Parameters by Using GA/PSO”, Journal of computers; Vol. 5, No. 8, pp. 1160-1168, 2010.
[28] Ardjani, F., Sadouni, K., “Optimization of SVM Multiclass by Particle Swarm (PSO-SVM)”, I. J. Modern Education and Computer Science; Vol. 2, No. 2, pp. 32-38, 2010.
[29] Shih-Wei, L., Kuo-Ching, Y., Shih-Chieh C., Zne-Jung, L., “Particle swarm optimization for parameter determination and feature selection of support vector machines”, Expert Systems with Applications; Vol. 35, No. 4, pp. 1817-1824, 2008.
| ||
|
آمار تعداد مشاهده مقاله: 2,083 تعداد دریافت فایل اصل مقاله: 714 |
||