基于改進遺傳算法的LS_SVM參數(shù)選取.pdf

1、自V. Vapnik提出的支持向量機理論以來，因其堅實的理論基礎(chǔ)和諸多良好特性,在近年獲得了廣泛的關(guān)注。最小二乘支持向量機是支持向量機的一種改進，它將傳統(tǒng)支持向量機的不等式約束改為等式約束，且將誤差平方和損失函數(shù)作為訓練集的經(jīng)驗損失，這樣就把解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題，提高求解問題的速度和收斂精度。決定最小二乘支持向量機性能的因素是懲罰因子C和核函數(shù)的選取，本文采用比較常用的核函數(shù)徑向基核函數(shù)（RBF），所以懲罰因子C和核參

2、數(shù)g 是決定最小二乘支持向量機的性能的主要因素。因此，最優(yōu)的參數(shù)組合（C，g），能使最小二乘支持向量機具有較好的推廣能力。遺傳算法（Genetic Algorithm）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，而改進的遺傳算法是在模擬退火算法的運行過程中溶入遺傳算法，稱為模擬退火遺傳算法，模擬退火遺傳算法是基于Monte Carlo 迭代求解法一種啟發(fā)式隨機搜索算法，它模擬固體物質(zhì)退火過程的熱平衡問題與隨機搜索尋優(yōu)問題的