一种支持向量机参数选择的改进分布估计算法

被引：7

作者：

王雪松

程玉虎

郝名林

机构：

[1] 中国矿业大学信息与电气工程学院

来源：

山东大学学报(工学版) | 2009年 / 39卷 / 03期

基金：

高等学校博士学科点专项科研基金;

关键词：

支持向量机; 参数选择; 混沌变异; 分布估计算法;

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：

支持向量机(support vector machine,SVM)的学习性能和泛化能力在很大程度上取决于参数的合理设置.将支持向量机的参数选择问题转化为优化问题,以模型预测均方根误差为评价函数,提出一种引入混沌变异操作的改进分布估计算法(estimation of distribution algorithm,EDA),并将其用于优化求解ε-支持向量机的参数:惩罚因子、不敏感损失系数以及高斯径向基核函数的宽度.由于改进EDA利用混沌运动的随机性和遍历性等特点在解空间内进行优化搜索,能够较好解决传统EDA易于陷入局部极小的缺陷.Chebyshev混沌时间序列预测仿真结果表明:改进EDA是选取SVM参数的有效方法.

引用

页码：7 / 10

页数：4

共 8 条

[1] 基于混沌变异的小生境粒子群算法 [J].

贾东立 ;

张家树 .

控制与决策 , 2007, (01) :117-120

[2]

The Nature of Statistical Learning Theory. Vapnik V. . 1995

[3]

Choosing multiple parameters for support vector machines. Chapelle O,Vapnik V,Bacsquest O,et al. Machine Learning . 2002

[4]

Value approximationwith least squares support vector machine in reinforcementlearning system. Xuesong Wang,Xilan Tian,Yuhu Cheng. Journal of Computational and TheoreticalNanoscience . 2007

[5]

Estimation of Distribution Algorithms:A new Tool for Evolutionary Computation. Larranaga P,Lozano J.A. . 2002

[6]

Choosing Multiple Parameters for Support Vector Machines[J] . Olivier Chapelle,Vladimir Vapnik,Olivier Bousquet,Sayan Mukherjee. &nbspMachine Learning . 2002 (1)

[7]

A novel hybrid genetic al-gorithm for kernel function and parameter optimization in sup-port vector regression. WU C H,TZENG G H,LIN R H. Expert Systems With Applications . 2009

[8] 基于粒子群优化算法的支持向量机参数选择及其应用 [J].

邵信光 ;

杨慧中 ;

陈刚 .

控制理论与应用, 2006, (05) :740-743+748

← 1 →