一种基于PSO的RBF-SVM模型优化新方法

被引：15

作者：

徐海龙

王晓丹

廖勇

张宏达

蒋玉娇

机构：

[1] 空军工程大学导弹学院

来源：

控制与决策 | 2010年 / 25卷 / 03期

关键词：

模型优化; 支持向量机; 粒子群优化; 搜索效率;

D O I：

10.13195/j.cd.2010.03.50.xuhl.017

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

针对使用径向基核函数的支持向量机,采用粒子群优化方法实现模型优化.基于训练集中样本之间的最近平均距离和最远平均距离,给出参数σ的取值空间,从而减小了超参数搜索的范围,并采用对数刻度进一步提高粒子群优化方法的参数搜索效率.与遗传算法和网格法的对比实验表明,所提出的方法收敛速度更快,得出的超参数更优.

引用

页码：367 / 370+377 +377

页数：5

共 6 条

[1] 基于启发式遗传算法的SVM模型自动选择 [J].

郑春红 ;

焦李成 ;

丁爱玲 .

控制理论与应用, 2006, (02) :187-192

[2] 基于微粒群算法和支持向量机的特征子集选择方法 [J].

乔立岩 ;

彭喜元 ;

彭宇 .

电子学报, 2006, (03) :496-498

[3] 支持向量机最优模型选择的研究 [J].

刘向东 ;

骆斌 ;

陈兆乾 .

计算机研究与发展, 2005, (04) :576-581

[4] 支持向量机的多层动态自适应参数优化 [J].

朱家元 ;

杨云 ;

张恒喜 ;

任博 ;

不详 .

控制与决策 , 2004, (02) :223-225+229

[5] Automatic model selection for the optimization of SVM kernels [J].

Ayat, NE ;

Cheriet, M ;

Suen, CY .

PATTERN RECOGNITION, 2005, 38 (10) :1733-1745

[6]

Selecting of the optimal feature subset andkernel parameters in digital modulation classificationby using hybrid genetic algorithm-support vector ma-chines:HGASVM .2 AVCI E. Expert Systems with Applica-tions . 2009

← 1 →