混合核支持向量机参数优化与其应用-研究

《混合核支持向量机参数优化与其应用-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、摘要支持向量机SVM(SupportVectorMachine)是一种典型的核机器学习方法，核函数及其参数的选择直接影响着SVM分类器的性能。SVM的全局性核函数泛化性能强、学习能力弱，而局部性核函数学习能力强、泛化性能弱。将两类核函数混合是目前较常见的一种SVM核函数构造方法。引入混合核函数后的SVM多了一个新的可调参数，即权系数。有关混合核SVM的参数寻优一般只针对惩罚因子和核参数，以及对混合核中的权系数通常取经验值，这种参数选取无法达到全局最优。因此，本文对混合核SVM中所有参数进行综合寻优研究。本文所做的工作如下：(1)采用动量粒子群算法对混合核SVM参数进行优化。针对基本粒

2、子群算法存在进化后期收敛速度缓慢，易产生振荡的缺陷，引入动量项，构造动量粒子群算法，以有效提高算法的收敛速度及部分避免其后期振荡的发生。将其用于混合核SVM参数优化中，通过对UCI中的数据集分类，得出该算法能有效提取最佳参数组合，使所得SVM泛化能力有所提高，进化速度快于基本粒子群算法，测试所得分类准确率优于其他常见的分类算法。(2)采用改进的遗传算法对混合核SVM参数进行优化。该算法利用混沌初始化种群，以在初始种群中产生更多有效基因型，保证种群多样性，有效缓解其陷入局部最优现象的发生；进行遗传操作时，采用一种自适应的交叉、变异算子不仅能较好保证群体多样性，而且能有效提高算法收敛速度

3、。将其用于混合核SVM参数寻优中，通过Matlab编程，实现UCI数据集分类和车辆前方障碍物识别。最后与其他算法对比，验证该算法能较好提取最佳参数组合，在应用于分类识别问题时得到了较高的分类识别精度。关键字：支持向量机；混合核；参数优化；动量粒子群算法：遗传算法ABSTRACTAsatypicalkernelmachinelearningmethod，SupportVectorMachine(SVM)isdirectlyaffectedbyselectionofkernelfunctionanditsparameters．Globalkernelsarestrongingeneral

4、izationperformance，butweakinlearningabilitywhilelocalonesarethereverse．Atpresent，thestructuralmethodoftheSVMkernelfunctioniscommonlybymeanofmixingtwotypesofkernelfunctions．TheintroductionofmixedkernelfunctionmakestheSVMaddanadjustableparameternamedweightcoefficient．Theparameteroptimizationforth

5、eSVMwithmixedkernelfunctiononlyincludespenaltyfactorandkernelparameter．Theweightcoefficientistakengenerallyempiricalvalue，whichmakestheparametercombinationintheSVMunabletoachievetheglobaloptimization．Therefore，thethesisresearchesmainlyontheintegrationoptimizationforalltheparametersoftheSVMwithm

6、ixedkernelfunction．ThisworkiSasfollows：(1)MomentumParticleSwarmOptimization(MPSO)algorithmisusedtooptimizeparametersofthemixedkernelSVM．ThebasicPSOalgorithmhasslowconvergencespeedinlaterevolutionperiodsandiseasytoproduceoscillations，SOmomentumtermisintroducedandtheMPSOisconstructed．TheMPSOalgor

7、ithmcaneffectivelyimprovetheconvergencespeedandpartlyavoidoscillations．ThenitisusedtooptimizeparametersofthemixedkernelSVM．ByclassificationoftheUCIdatasets，theconclusionisdrawnthatthisalgorithmcanextracteffectivelythebestparameter