基于粒子群算法的Universum SVM参数选择

被引：7

作者：

张新峰

焦月

李欢欢

卓力

机构：

[1] 北京工业大学信号与信息处理研究室

来源：

北京工业大学学报 | 2013年 / 39卷 / 06期

基金：

北京市自然科学基金;

关键词：

Universum SVM; 参数选择; 粒子群算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

分类器的模型参数对分类结果有直接影响.针对引入无关样本的Universum SVM算法中模型参数选择问题,采用粒子群优化(particle swarm optimization,PSO)算法对其进行优化.该方法概念简单、计算效率高且受问题维数变化的影响较小,可实现对多个参数同时优选.此外,在PSO中粒子适应度函数的选择是一个关键问题.考虑k遍交叉验证法的估计无偏性,利用交叉验证误差作为评价粒子优劣的适应值.通过舌象样本数据实验,对参数优选前后测试样本识别正确率进行比较,实验结果验证了该算法的有效性.

引用

页码：840 / 845

页数：6

共 9 条

[1] 基于PSO的LS-SVM特征选择与参数优化算法 [J].

姚全珠 ;

蔡婕 .

计算机工程与应用, 2010, 46 (01) :134-136+229

[2] 最小二乘支持向量机的参数优化及其应用 [J].

陈帅 ;

朱建宁 ;

潘俊 ;

侍洪波 .

华东理工大学学报(自然科学版), 2008, (02) :278-282

[3] 利用粒子群算法优化SVM分类器的超参数 [J].

王东 ;

吴湘滨 .

计算机应用, 2008, (01) :134-135+139

[4] 基于PSO算法的支持向量机核参数选择问题研究 [J].

袁小艳 ;

刘爱伦 .

自动化技术与应用, 2007, (05) :5-8

[5] 基于粒子群优化算法的支持向量机参数选择及其应用 [J].

邵信光 ;

杨慧中 ;

陈刚 .

控制理论与应用, 2006, (05) :740-743+748

[6]

支持向量机中最优化问题的研究.[D].张春华.中国农业大学.2004, 03

[7]

核函数的性质、方法及其在障碍检测中的应用.[D].吴涛.中国人民解放军国防科学技术大学.2003, 01

[8]

数据挖掘中的新方法.[M].邓乃扬;田英杰著;.科学出版社.2004,

[9]

Tongueimage classification based on universum SVM..JIAO Yue;ZHANG Xin-feng;ZHUO Li;et al;.The3rd International Conference on BioMedical Engineeringand Informatics.1820,

← 1 →