利用粒子群优化算法来寻找svm中的最有参数，达到最优解

粒子群算法优化支持向量机，优化过后很好用，准确率很明显

准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上，提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点，实现了数据降维并且保持了交通流序列的特征，因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性，预测平均误差为3.4%。

为有效预测煤与瓦斯的突出强度，分析了煤与瓦斯突出的主要影响因素，建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型，通过实例对该模型的预测效果进行检验，同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测，进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％。可见，PSO-SVM方法的预测效果要好于BP-NN和SVM，对煤矿煤与瓦斯突出强度预测具有一定的参考价值

1.里面有一片类似的轴承故障诊断论文 2.计算了VMD的能量熵和样本熵 3.做了多种数据集，包括单特征和多特征pca归一化 4.利用了粒子群算法优化SVM参数 5.python代码齐全

使用matlab实现蜂群SVM，粒子群SVM，遗传算法SVM，数据包含有公共数据集，公共图像数据集，图像特征提取用了词袋，保证可用（公共图像数据集太大，删除了）

PSO优化支持向量机的代码

利用PSO优化SVM中的惩罚参数c和核参数g 使用该函数须先安装成功libsvm，为了避免和matlab内置的函数冲突，最好将svmtrain.mexw64、svmpredict.mexw64这两个文件重命名为libsvmtrain.mexw64、libsvmpredict.mexw64，不然无法使用，有使用问题，请咨询

论文研究-供水管网爆管故障诊断的PSO-SVM方法.pdf,  根据供水管网的实际水压监测数据, 采用粒子群算法优化反演管道的海曾-威廉斯系数, 并通过在管道中间加入虚节点来模拟爆管故障, 进而基于节点水压法建立了管网在爆管故障情况下的水力计算模型. 由计算模型计算出一组不同爆点、不同爆管程度组合下的监测点处的水压值, 以此反向训练支持向量机(SVM)模型, 并通过粒子群算法(PSO)对优化支持向量机模型的核参数, 建立了基于PSO-SVM方法的供水管网爆管诊断模型. 最后, 通过一个供水管网的室内实验模型验证了上述诊断模型的有效性.

pso-SVM_PSO优化参数_psosvm_SVM优化matlab_svm优化_SVM_源码.zip