基于RBF核的SVM核参数优化算法

被引：15

作者：

董国君

哈力木拉提·买买提

余辉

机构：

[1] 新疆大学信息科学与工程学院

来源：

新疆大学学报(自然科学版) | 2009年 / 26卷 / 03期

关键词：

支持向量机; RBF核; 遗传算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

SVM是一种新型的机器学习方法,其分类性能的优劣主要受核函数及核参数的影响,国内外学者针对SVM核参数的选择已提出许多算法.本文首先分析了RBF核参数对SVM分类性能的影响,然后又对比分析了目前存在的几种基于RBF核的SVM核参数选择方法.通过实验,发现使用遗传算法选择核参数的SVM有比较快的搜索速度.

引用

收藏

页码：355 / 358+363 +363

页数：5

相关论文

共 11 条

[1] 基于RBF核函数的支持向量机参数选择 [J].

林升梁 ;

刘志 .

浙江工业大学学报, 2007, (02) :163-167

[2] 拟牛顿算法在SVM内核优化中的应用 [J].

葛洪伟 ;

杨小艳 ;

张彦锋 .

计算机工程, 2007, (08) :193-195

[3] 自适应GA-SVM参数选择算法研究 [J].

刘胜 ;

李妍妍 .

哈尔滨工程大学学报, 2007, (04) :398-402

[4] 基于遗传算法的支持向量机分类器模型参数优化 [J].

陈果 .

机械科学与技术, 2007, (03) :347-350

[5] 基于RBF核的SVM学习算法的优化计算 [J].

李琳 ;

张晓龙 .

计算机工程与应用, 2006, (29) :190-192+204

[6] 支持向量机中的核参数选择问题 [J].

齐志泉 ;

田英杰 ;

徐志洁 .

控制工程, 2005, (04) :379-381

[7] 基于RBF核的SVM的模型选择及其应用 [J].

王鹏 ;

朱小燕 ;

不详 .

计算机工程与应用 , 2003, (24) :72-73

[8]

模式识别.[M].边肇祺等编著;.清华大学出版社.2000,

[9]

统计学习理论的本质.[M].(美)VladimirN.Vapnik著;张学工译;.清华大学出版社.2000,

[10]

Model selection for support vector machine classification.[J].Carl Gold;Peter Sollich.Neurocomputing.2003, 1