针对当前瓦斯实时监测工作存在的被动局面,结合当前的无线传输技术,提出一种基于CAN+ZigBee的瓦斯实时监测系统。系统中,以ZigBee+CC2530作为采集节点,完成巷道内空气湿度、风速、瓦斯浓度等的采集,并通过ZigBee路由节点将数据传输给后台监控主机。最后通过多源信息融合技术和GA-SVM完成对瓦斯浓度的预测。以某煤矿巷道作为研究对象,对其瓦斯浓度的实际值与测量值进行对比,得到其两者变化趋势大致吻合,验证了方案的可行性。

特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.

利用遗传算法优化SVM的两个参数，得到高精度的SVM模型用于识别分类

遗传算法优化SVM分类 程序完整 亲测可用！

matlab ga svm GA/SVM 程序包含三个文件： 1。MainGA12.m 2。selectGA12.m 3。svmc12.m MainGA12.m是主文件，其余两个是被调用文件。 MainGA12.m里主要设置有关参数。

文章针对SVM中的参数选择问题，提出了利用遗传算法进行优化的方法，并将其应用于商业银行的个人信用评估中，构建了个人信用评估GA-SVM模型；通过对GA适应度函数的设置来控制个人信用评估中给商业银行造成较大损失的“取伪”误判的发生；模型的应用结果表明，GA-SVM模型能够对样本数据进行较好的分类，并且“取伪”误判得到了控制。

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）

遗传算法优化支持向量机PYTHON SVM是一种监督式的学习方法，用统计风险最小化的原则来估计一个分类的超平面

机器学习优化算法，模拟退火优化的支持向量机matlab程序

矿井涌水量的准确预测对预防矿山透水事故的发生至关重要,提出利用GA优化的SVM模型(GA-SVM)来实现矿井涌水量的短期准确预测。该方法利用GA的自动寻优功能寻找SVM的最佳参数,提高了预测的准确率。首先,利用微熵率法求矿井涌水量时间序列的最佳嵌入维数和延迟时间,进行相空间重构。其次,采集义煤集团千秋煤矿2011—2015年实际涌水量的时间序列,利用GA-SVM模型对最后12组数据进行预测,其预测平均绝对百分比误差仅为0.92%,最大相对误差为2.62%。最后,与PSO-SVM和BP神经网络预测进行对比,结果表明GA-SVM优化模型适用于矿井涌水量的预测并且预测精度较高。