基于粒子群优化模式搜索的支持向量机参数优化及应用

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3302-3304.

基于粒子群优化模式搜索的支持向量机参数优化及应用

王喜宾¹,张小平²,王翰虎¹

1. 贵州大学计算机科学与信息学院，贵阳 550025
2. 贵州省科学技术情报研究所，贵阳 550004

收稿日期:2011-05-09 修回日期:2011-07-15 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 王喜宾
基金资助:
贵州省科技计划项目

Parameter optimization of support vector machine and application based on particle swarm optimization mode search

WANG Xi-bin¹,ZHANG Xiao-ping²,WANG Han-hu¹

1. School of Computer Science and Information, Guizhou University, Guiyang Guizhou 550025, China
2. Guizhou Institute of Scientific and Technical Information, Guiyang Guizhou 550004, China

Received:2011-05-09 Revised:2011-07-15 Online:2011-12-12 Published:2011-12-01
Contact: WANG Xi-bin

摘要/Abstract

摘要： 针对核函数参数选择的重要性，提出了粒子群(PSO)模式搜索算法来搜索最优参数，该算法结合了PSO算法的全局搜索能力强和模式搜索的局部收敛性好的优点，使PSO模式搜索算法表现出了较高的性能，并将其应用到农业科技项目分类中。实验结果表明，该算法不仅效率高，收敛速度快，而且搜索到的最优参数达到了较高的准确率。

关键词: 支持向量机, 核参数选取, 粒子群模式搜索

Abstract: Considering the importance of selecting Kernel parameters, the Particle Swarm Optimization (PSO) model search algorithm was proposed to search optimal parameters. This method combined the global search capability of PSO algorithm and the good local convergence of mode search, that making PSO model search algorithm displays higher performance, and applied to an the practice of agricultural technological project classification. The results of experiment show that this method is not only efficient, but also catches the optimal parameters that have achieved higher accuracy.

Key words: Support Vector Machine (SVM), Kernel parameters selection, particle swarm model search

中图分类号:

TP181

王喜宾张小平王翰虎. 基于粒子群优化模式搜索的支持向量机参数优化及应用[J]. 计算机应用, 2011, 31(12): 3302-3304.

WANG Xi-bin ZHANG Xiao-ping WANG Han-hu. Parameter optimization of support vector machine and application based on particle swarm optimization mode search[J]. Journal of Computer Applications, 2011, 31(12): 3302-3304.

[1]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[2]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[3]	李凯, 李洁. 基于pinball损失的结构模糊多分类支持向量机算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3104-3112.
[4]	童林, 官铮. 改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J]. 计算机应用, 2021, 41(10): 2919-2927.
[5]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[6]	张健铭, 施元昊, 徐正蓺, 魏建明. 基于误差预测的自适应UWB/PDR融合定位算法[J]. 计算机应用, 2020, 40(6): 1755-1762.
[7]	王杨, 赵红东. 基于改进粒子群优化的支持向量机与情景感知的人体活动识别[J]. 计算机应用, 2020, 40(3): 665-671.
[8]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[9]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 计算机应用, 2020, 40(2): 553-560.
[10]	李卉, 杨志霞. 基于Rescaled Hinge损失函数的多子支持向量机[J]. 计算机应用, 2020, 40(11): 3139-3145.
[11]	牛晓可, 黄伊鑫, 徐华兴, 蒋震阳. 基于听皮层神经元感受野的强噪声环境下说话人识别[J]. 计算机应用, 2020, 40(10): 3034-3040.
[12]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.
[13]	何海琳, 郑建彬, 余方利, 余烈, 詹恩奇. 基于改进鲸鱼优化算法的外骨骼机器人步态检测[J]. 计算机应用, 2019, 39(7): 1905-1911.
[14]	潘建国, 李豪. 基于实用拜占庭容错的物联网入侵检测方法[J]. 计算机应用, 2019, 39(6): 1742-1746.
[15]	孔菁, 郭渊博, 刘春辉, 王一丰. 基于智能手机运动传感器的步态特征身份识别方法[J]. 计算机应用, 2019, 39(6): 1747-1752.