基于改进型人工鱼群算法的支持向量机参数优化

被引：4

作者：

冯晓琳

宁芊

雷印杰

陈思羽

机构：

[1] 四川大学电子信息学院

来源：

计算机测量与控制 | 2016年 / 24卷 / 05期

关键词：

支持向量机; 人工鱼群算法; 参数优化; 有向无环图;

D O I：

10.16526/j.cnki.11-4762/tp.2016.05.067

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

支持向量机在高维度、小样本情况下具有独特优势,但同时支持向量机的参数优化极大制约了其分类效果,目前参数优化缺乏系统的理论指导;针对传统DAG-SVM训练分类器较多,训练耗时长,分类效果受到结构排序的影响,提出了一种基于"1 vs R"策略的改进型算法;针对SVM传统参数优化方式耗时大,优化精度不高,提出了改进型人工鱼群算法;最后结合1 vs R-DAG支持向量机算法与改进型人工鱼群算法,得到一种新的改进型支持向量机算法;仿真对比实验证实,对支持向量机的参数优化是有效可行的。

引用

页码：237 / 241

页数：5

共 19 条

[1] 支持向量机多分类问题研究
肖晓
张敏
[J]. 淮海工学院学报(自然科学版), 2014, 23 (03) : 28 - 31
[2] Probabilistic ranking support vector machine. Nguyen T,Ngo A V,Nguyen H V,et al. Advances in Neural NetworksISNN 2009 . 2009
[3] 基于类内超平面的模糊支持向量机
张桂香
费岚
杜喆
刘三阳
[J]. 计算机工程与设计, 2008, (12) : 3177 - 3178+3207
[4] 一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
[5] A ν -twin support vector machine ( ν -TSVM) classifier and its geometric algorithms[J] . Xinjun Peng. &nbspInformation Sciences . 2010 (20)
[6] 基于网格搜索-支持向量机的采场顶板稳定性预测
郭超
宋卫华
魏威
[J]. 中国安全科学学报, 2014, 24 (08) : 31 - 36
[7] 群体智能算法及其性能评价指标研究
谭明交
张宏梅
吕艳秋
[J]. 计算机与数字工程, 2008, (08) : 10 - 12+22
[8] Optimizing Search Engines using Clickthrough Data. Thorsten Joachims. Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD2002 . 2002
[9] Twin Support Vector Machines for Pattern Classification. Jayadeva,R. Khemchandani,Suresh Chandra. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2007
[10] Fuzzy support vector machines. Lin Chun-Fu,Wang Sheng-De. IEEE Transactions on Neural Networks . 2002

← 1 2 →