[1] 渠瑜. 基于SVM的高不平衡分类技术研究及其在电信业的应用[D]. 杭州:浙江大学, 2010.
[2] 邓乃扬,田英杰. 数据挖掘中的新方法——支持向量机[M]. 北京:科学出版社, 2004.
[3] 杨耀宇. 基于支持向量机的沪深300指数预测研究[D]. 上海:上海师范大学, 2014.
[4] 刘靖雯. 基于SVM决策树的增量式文本层次分类研究[D]. 北京:北京邮电大学, 2014.
[5] 陈贤卿,吴乐南,靳一. 基于SVM分类的EBPSK信号解调判决[J]. 东南大学学报(自然科学版), 2011,41(4):672-677.
[6] 张俊,程春田,申建建,等. 基于蚁群算法的支持向量机中长期水文预报模型[J]. 水力发电学报, 2010,29(6):34-40.
[7] Garg H. A hybrid PSO-GA algorithm for constrained optimization problems[J]. Applied Mathematics and Computation, 2016,274:292-305.
[8] 刘琦. 基于LS-SVM的时间序列预测方法及其应用研究[D]. 哈尔滨:哈尔滨工业大学, 2011.
[9] 宋永东. 支持向量机参数选择的研究[D]. 武汉:华中师范大学, 2013.
[10] 赵犁丰,李新,王栋. 多核模糊聚类算法的研究[J]. 中国海洋大学学报(自然科学版), 2009,39(5):1047-1050.
[11] 佚名. FCM聚类算法介绍[DB/OL]. http://wenku.baidu.com/link?url=r1uOCFJg1dgdhpKgvazMNrKrXb6I4SAPktSZM1FRs7rtae19oAZ9dYOG7A_6UYfiYtHAxDyzkXCN8VT-KDQ6gQ6FWlLr4l3oZauE4RH1igS, 2012-12-12.
[12] 曹洪. 基于聚类和模糊性的图像分割算法及应用[D]. 南京:南京航空航天大学, 2014.
[13] 齐丙娟,丁世飞. 基于FCM隶属度的支持向量机[J]. 微电子学与计算机, 2011,28(10):48-51.
[14] 马攀华. 云南省土壤污染聚类及背景值相关分析系统的设计与实现[D]. 昆明:云南大学, 2012.
[15] 石统帅. 指纹图像增强方法的研究与实现[D]. 济南:山东师范大学, 2015.
[16] Xiong Tao, Bao Yukun, Hu Zhongyi, et al. Forecasting interval time series using a fully complex-valued RBF neural network with DPSO and PSO algorithms[J]. Information Sciences, 2015,305:77-92.
[17] 梁慧. 混沌粒子群优化算法的分析与应用[D]. 广州:广东工业大学, 2011.
[18] 任洪娥,霍满冬. 基于PSO优化的SVM预测应用研究[J]. 计算机应用研究, 2009,26(3):867-869.
[19] 冯翔,陈国龙,郭文忠. 粒子群优化算法中加速因子的设置与试验分析[J]. 集美大学学报(自然科学版), 2006,11(2):146-151.
[20] 周利军,彭卫,邹芳,等. 自适应变异粒子群算法[J]. 计算机工程与应用, 2015,52(7):50-55.
[21] 吕林,罗绮,刘俊勇,等. 一种基于多种群分层的粒子群优化算法[J]. 四川大学学报(工程科学版), 2008,40(5):171-176.
[22] 巩永光. 粒子群算法与遗传算法的结合研究[D]. 广州:中山大学, 2007.
[23] 王小川,史峰,郁磊,等. MATLAB神经网络43个案例分析[M]. 北京:北京航空航天大学出版社, 2013.
[24] 刘元峰,赵玫. 基于奇异谱分析的混沌序列降噪[J]. 上海交通大学学报, 2003,37(5):778-780.
[25] 闫国华,朱永生. 支持向量机回归的参数选择方法[J]. 计算机工程, 2009,35(13):218-220. |