基于遗传算法的SVM参数组合优化

被引：108

作者：

刘鲭洁

陈桂明

刘小方

杨庆

机构：

[1] 第二炮兵工程学院教研室

来源：

计算机应用与软件 | 2012年 / 29卷 / 04期

关键词：

支持向量机; 核函数; 参数选择; 编码; 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：

140502 [人工智能];

摘要：

核函数类型、核函数参数及错误惩罚因子是影响SVM学习能力和泛化能力的关键因素。实际应用中选择上述SVM参数组合多依赖经验或人工尝试,通常很难选择到最优参数组合。提出一种基于遗传算法的SVM优化技术,针对优化对象设计二进制编码基因串和相应遗传算子,能够实现同时对上述三个参数组合的优化。在UCI标准数据库上的实验结果说明了提出方法的有效性。

引用

收藏

页码：94 / 96+100 +100

页数：4

相关论文

共 5 条

[1]

Model selection for support vector machines via uniform design [J].

Huang, Chien-Ming ;

Lee, Yuh-Jye ;

Lin, Dennis K. J. ;

Huang, Su-Yun .

COMPUTATIONAL STATISTICS & DATA ANALYSIS, 2007, 52 (01) :335-346

[2]

Choosing multiple parameters for support vector machines [J].

Chapelle, O ;

Vapnik, V ;

Bousquet, O ;

Mukherjee, S .

MACHINE LEARNING, 2002, 46 (1-3) :131-159

[3]

基于核相似性差异最大化的支持向量机参数选择算法 [J].

唐耀华 ;

郭为民 ;

高静怀 .

模式识别与人工智能, 2010, 23 (02) :210-215

[4]

利用遗传算法优化的支持向量机垃圾邮件分类 [J].

张艳秋 ;

王蔚 .

计算机应用, 2009, 29 (10) :2755-2757

[5]

一种支持向量机集成的核选择方法 [J].

王敏 ;

王文剑 .

计算机工程与应用 , 2009, (27) :31-33+55