基于混沌机制的人工蜂群算法优化的支持向量机分类器

被引：6

作者：

刘霞 ^{[1
]}

张姗姗 ^{[1
]}

胡铭鉴 ^{[2
]}

庞永贵 ^{[3
]}

机构：

[1] 东北石油大学电气信息工程学院

[2] 新疆石油勘探设计研究院

[3] 大庆物探一公司

来源：

计算技术与自动化 | 2015年 / 34卷 / 02期

关键词：

人工蜂群算法; 支持向量机; 参数优化; 混沌机制; 锦标赛选择策略;

D O I：

10.16339/j.cnki.jsjsyzdh.2015.02.003

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。

引用

页码：11 / 14

页数：4

共 8 条

[1] 利用支持向量机补偿温度对光纤光栅传感的影响 [J].

邵军 ;

刘君华 ;

乔学光 ;

贾振安 .

光电子激光, 2010, (06) :803-807

[2] 基于蚁群优化算法的支持向量机参数选择及仿真 [J].

刘春波 ;

王鲜芳 ;

潘丰 .

中南大学学报(自然科学版), 2008, 39 (06) :1309-1313

[3]

不确定性支持向量机原理及应用[M]. 科学出版社 , 杨志民, 2007

[4]

知识发现[M]. 清华大学出版社 , 史忠植著, 2002

[5] A comparative study of Artificial Bee Colony algorithm [J].

Karaboga, Dervis ;

Akay, Bahriye .

APPLIED MATHEMATICS AND COMPUTATION, 2009, 214 (01) :108-132

[6]

A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm[J] . Dervis Karaboga,Bahriye Basturk.J. Global Optimization . 2007 (3)

[7] Improving support vector machine classifiers by modifying kernel functions [J].

Amari, S ;

Wu, S .

NEURAL NETWORKS, 1999, 12 (06) :783-789

[8]

An introduction to support vector machines and other kernel-based learning methods .2 Cristianini N,et al. Beijing . 2005

← 1 →