基于改进萤火虫算法的SVM核参数选取

被引：5

作者：

杨海 ^{[1
]}

丁毅 ^{[2
]}

沈海斌 ^{[1
]}

机构：

[1] 浙江大学超大规模集成电路设计研究所

[2] 西湖电子集团有限公司

来源：

计算机应用与软件 | 2015年 / 32卷 / 06期

关键词：

支持向量机; 萤火虫算法; SVM核函数;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

支持向量机(SVM)是一种性能优异的机器学习算法,其核函数参数的选取对于建模精度以及泛化能力有着重要的影响。提出一种基于改进萤火虫算法的SVM核函数参数选取方法,通过改进萤火虫位置更新公式并在移动过程中引入亮度特征从而确定最佳的SVM核函数参数。实验表明,该算法选取的SVM核函数参数在保证分类器收敛性能的同时,提高了分类精度,取得了良好的优化效果。

引用

页码：256 / 258+287 +287

页数：4

共 15 条

[1] 基于改进混合蛙跳算法的SVM分类算法
李希婷
孙璐
钱永亮
邹采荣
[J]. 信息化研究, 2011, 37 (05) : 41 - 44
[2] 一种新颖的仿生群智能优化算法:萤火虫算法
刘长平
叶春明
[J]. 计算机应用研究, 2011, 28 (09) : 3295 - 3297
[3] 变步长自适应萤火虫群多模态函数优化算法
黄正新
周永权
[J]. 计算机工程与应用, 2012, 48 (08) : 43 - 47
[4] 说话人识别中支持向量机核函数参数优化研究
刘祥楼
贾东旭
李辉
姜继玉
[J]. 科学技术与工程, 2010, 10 (07) : 1669 - 1673
[5] Gene association study with SVM,MLP and cross-validation for the diagnosis of diseases
Junying Zhanga
[J]. Progress in Natural Science, 2008, (06) : 741 - 750
[6] 萤火虫群算法的改进及其应用[D]. 祝华正.广西民族大学 2011
[7] Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders[J] . Abdulhamit Subasi. &nbspComputers in Biology and Medicine . 2013
[8] Choosing the kernel parameters for support vector machines by the inter-cluster distance in the feature space[J] . Kuo-Ping Wu,Sheng-De Wang. &nbspPattern Recognition . 2008 (5)
[9] Glowworm swarm optimisation a new method for optimising multimodal functions. K.N. Krishnanand,D. Ghose. International Journal of Computational Intelligence Studies . 2009
[10] A modified particle swarm optimizer. Shi Y,Eberhart R. IEEE World Congress on Computational Intelligence . 1998

← 1 2 →