基于动量粒子群的混合核SVM参数优化方法

计算机应用 ›› 2011, Vol. 31 ›› Issue (02): 501-503.

基于动量粒子群的混合核SVM参数优化方法

王佳¹,徐蔚鸿²

1. 长沙理工大学
2. 长沙理工大学计算机与通信工程学院

收稿日期:2010-07-27 修回日期:2010-09-17 发布日期:2011-02-01 出版日期:2011-02-01
通讯作者: 王佳
基金资助:
教育部重点科研基金项目;湖南省教育厅重点项目

Parameter optimization of mixed kernel SVM based on momentum particle swarm optimization

Received:2010-07-27 Revised:2010-09-17 Online:2011-02-01 Published:2011-02-01

摘要/Abstract

摘要： 支持向量机（SVM）可以很好地用来解决分类问题，参数优化尤其重要。混合核函数的引入，使得SVM又多了一个可调参数。针对该参数用人工或经验的方法获取具有局限性，采用动量粒子群（MPSO）对SVM基本参数、混合可调核参数进行综合寻优，来寻找最佳参数组合。通过UCI数据仿真，对比结果表明：所提优化方法能够快速有效地提取最佳参数组合，所得SVM性能明显提高，分类效果更好。

关键词: 混合核, 动量粒子群优化, 参数优化, 分类

Abstract: Support Vector Machine (SVM) can be used to solve classification problems, and it is very important to optimize its parameters. With the introduction of mixed kernels, SVM has one more adjustable parameter. Because it is hard to obtain the parameter by manual or experience, Momentum Particle Swarm Optimization (MPSO) was used to find the best combination of the basic parameters and mixed adjustable nuclear parameter of SVM. Finally, the simulations of UCI data show that the proposed algorithm provides an effective way to search the best parameters combination, and makes SVM have higher performance and better classification accuracy.

Key words: mixed kernel, Momentum Particle Swarm Optimization (MPSO), parameter optimization, classification

王佳徐蔚鸿. 基于动量粒子群的混合核SVM参数优化方法[J]. 计算机应用, 2011, 31(02): 501-503.

[1]	毛铭泽, 曹芮浩, 闫春钢. 基于权值多样性的半监督分类算法[J]. 计算机应用, 2021, 41(9): 2473-2480.
[2]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[3]	李蒙蒙, 秦伟, 刘艺, 刁兴春. 结合头脑风暴优化的混合蚁群优化算法[J]. 计算机应用, 2021, 41(8): 2412-2417.
[4]	朱亮, 徐华, 崔鑫. 基于基分类器系数和多样性的改进AdaBoost算法[J]. 计算机应用, 2021, 41(8): 2225-2231.
[5]	胡天杰, 胡文军, 王士同. 分布熵惩罚的支持向量数据描述[J]. 计算机应用, 2021, 41(8): 2212-2218.
[6]	张洋, 江铭虎. 基于注意力机制的文本作者识别[J]. 计算机应用, 2021, 41(7): 1897-1901.
[7]	尹春勇, 张帼杰. 面向分布式漂移数据流的集成分类模型[J]. 计算机应用, 2021, 41(7): 1947-1955.
[8]	肖振远, 王逸涵, 罗建桥, 熊鹰, 李柏林. 基于部分加权损失函数的RefineDet[J]. 计算机应用, 2021, 41(7): 1928-1932.
[9]	章惠, 张娜娜, 黄俊. 优化LeNet-5网络的多角度头部姿态估计方法[J]. 计算机应用, 2021, 41(6): 1667-1672.
[10]	史杨潇, 章军, 陈鹏, 王兵. 基于轻量级网络的钢铁表面缺陷分类[J]. 计算机应用, 2021, 41(6): 1836-1841.
[11]	贾鹤鸣, 郎春博, 姜子超. 基于轻量级卷积神经网络的植物叶片病害识别方法[J]. 计算机应用, 2021, 41(6): 1812-1819.
[12]	郭帅, 苏旸. 基于数据流的加密流量分类方法[J]. 计算机应用, 2021, 41(5): 1386-1391.
[13]	陆鑫伟, 余鹏飞, 李海燕, 李红松, 丁文谦. 基于注意力自身线性融合的弱监督细粒度图像分类算法[J]. 计算机应用, 2021, 41(5): 1319-1325.
[14]	韦铭燕, 陈彧, 张亮. 针对混合变量优化问题的协同进化蚁群优化算法[J]. 计算机应用, 2021, 41(5): 1412-1418.
[15]	严爱军, 魏志远. 案例推理分类器的权重分配及案例库维护方法[J]. 计算机应用, 2021, 41(4): 1071-1077.