基于类间距的径向基函数_支持向量机核参数评价方法分析.pdf

《基于类间距的径向基函数_支持向量机核参数评价方法分析.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第33卷第2期兵工学报Vol．33No．22012年2月ACTAARMAMENTARIIFeb．2012基于类间距的径向基函数－支持向量机核参数评价方法分析1121宋小杉，蒋晓瑜，罗建华，姚军(1.装甲兵工程学院控制工程系，北京100072;2.装甲兵工程学院科研部，北京100072)摘要:分析了径向基函数(RBF)核参数γ对空间映射结果的影响，得出3条结论。在此基础上，找到了1种新的核参数评价方法，该方法通过计算特征空间中两类之间的平均距离(ICMD)来评价γ的优劣。文章分别从理论和实验两方面证明了ICMD最大值的存在性。为验证该方法的有效性，文中对7个样本集进

2、行了两组参数选择实验:第一组实验通过ICMD找到最优核参数γ，再由10-折交叉验证得到最优惩罚因子C，称为“两步法”;第二组实验采用基于10-折交叉验证的网格搜索法进行参数选择。结果显示两种方法均选择出了适当的参数，但前者花费的时间比后者大大缩短，验证了ICMD方法的有效性。关键词:人工智能;支持向量机;高斯核;核参数评价;参数选择中图分类号:TP181文献标志码:A文章编号:1000-1093(2012)02-0203-06AnalysisoftheInter-classDistance-basedKernelParameterEvaluatingMethodf

3、orRBF-SVM1121SONGXiao-shan，JIANGXiao-yu，LUOJian-hua，YAOJun(1.DepartmentofControlEngineering，AcademyofArmoredForceEngineering，Beijing100072，China;2.DepartmentofScienceResearch，AcademyofArmoredForceEngineering，Beijing100072，China)Abstract:Theeffectofradialbasisfunction(RBF)kernelparamet

4、erγonthemappedspacewasana-lyzed．Anovelkernelparameterevaluatingmethodwasproposed，whichisbasedontheinter-classmeandistance(ICMD)．Thetheoreticalandexperimentalanalysesweremadefortheproposedmethod．Twosetsofparameterselectionexperimentsweremadeinordertoprovethevalidityoftheproposedmethod．

5、Inthefirstset，theoptimalparameterγwaschosenbytheICMDmethod，andthentheoptimalcostpa-rameterCwasobtainedbythe10-foldscrossvalidation，whichiscalled“Two-StageMethod”;Inthesecondset，the10-foldscrossvalidation-basedgridsearchmethodwasadopted．Theresultsshowthatthe“Two-StageMethod”canselectth

6、eoptimalparameterswithsignificantlydecreasedtimecost，whichprovesthevalidityofICMDmethod．Keywords:artificialintelligence;supportvectormachine;radialbasisfunctionkernel;kernelparame-terevaluation;parameterselection［1］出，是一种智能学习机器，相对于人工神经网络，0引言具有3个优点:1)SVM以统计学习理论为基础，从支持向量机(SVM)由Vapnik于199

7、5年提结构风险最小理论和VC维理论发展而来，具有完收稿日期:2010－08－27基金项目:“十一五”装备预研项目(2009YY02)作者简介:宋小杉(1980—)，男，博士研究生，E-mail:sxsh029@yahoo．com．cn;蒋晓瑜(1967—)，男，博士后，教授，E-mail:jiangxiaoyu2007@gmail．com204兵工学报第33卷善的理论基础;2)SVM同时考虑了经验风险最小和验两方面对该方法进行了深入分析，证明了该方法学习机器的复杂度，并进行了恰当的折中，使其具有是1种既有效、又省时的参数选择方法。了很好的泛化能力;3)SVM算法是

8、一个凸二次