基于ＣＰＳＯ的混合核函数ＳＶＭ参数优化及应用

2012年03月14日10:30:54 本网站我要评论(2)字号：T | T | T

潘　丰，毛志亮
江南大学通信与控制工程学院，江苏无锡

摘　　　要：支持向量机（ＳＶＭ）建模的拟合精度和泛化能力取决于相关参数的选取，目前ＳＶＭ中的参数的寻优一般只针对惩罚系数和核参数，而混合核函数的引入，使ＳＶＭ增加了一个可调参数。针对混合核函数ＳＶＭ的多参数选择问题，提出利用具有较强全局搜索能力的混沌粒子群（ＣＰＳＯ）优化算法对混合核函数ＳＶＭ建模过程中的重要参数进行优化调整，每一组粒子的位置向量对应一组混合核函数ＳＶＭ建模的参数。该算法采用同时对３个参数寻优的策略，由早熟收敛的判断和处理两部分组成，可实现对混合核函数ＳＶＭ参数的优化求解。给出了应用该方法的具体步骤，通过仿真实验验证该了算法的有效性；该方法用于谷氨酸发酵过
程的建模研究，取得了较高的建模精度。

关　键　词：建模；混合核函数；支持向量机；粒子群优化

１　引　言
支持向量机［１２］（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＳＶＭ）是一种基于统计学习理论的机器学习方法，能较好地用于解决小样本、非线性等实际问题，已成为智能技术领域研究的热点。ＳＶＭ的许多特性是由所选择的核函数来决定的，为了使ＳＶＭ的性能更为优良，Ｓｍｉｔｓ等［３］提出混合核函数ＳＶＭ，和其他学习算法一样，如何确定较优参数，是提高混合核函数ＳＶＭ建模的拟合精度和泛化能力的主要研究问题之一。混沌算法［４］是新发展起来的智能优化算法，具有很强的随机性和遍历性，能弥补粒子群算法中早熟收敛的不足。本文采用混沌粒子群（ＣｈａｏｔｉｃＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＣＰＳＯ）对ＳＶＭ的参数进行优化求解。

登录网站后可下载文件

基于ＣＰＳＯ的混合核函数ＳＶＭ 参数优化及应用

相关阅读:

基于ＣＰＳＯ的混合核函数ＳＶＭ参数优化及应用