關(guān)于支持向量機中的參數(shù)優(yōu)化的研究.pdf

1、支持向量機是在統(tǒng)計學習理論基礎(chǔ)上發(fā)展出的一種性能優(yōu)良的學習機器，其根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以期獲得最好的推廣能力。支持向量機始終存在的一個問題是它的執(zhí)行效果依賴于參數(shù)的設(shè)置，其中包括懲罰因子和核參數(shù)，但卻沒有一個合適的理論來指導如何尋找適應(yīng)于具體的樣本數(shù)據(jù)的參數(shù)。 本文分析了支持向量機模型中各個參數(shù)對模型的影響，對已有的參數(shù)優(yōu)化方法進行了總結(jié)和介紹，并基于粒子群算法和交叉驗證方法對模型中的參數(shù)

2、進行了優(yōu)化，形成了基于粒子群算法的支持向量機參數(shù)優(yōu)化方法；基于育種算法和交叉驗證方法構(gòu)造了基于育種算法的支持向量機參數(shù)優(yōu)化方法。最后通過數(shù)值試驗證明了方法的有效性。 此外，結(jié)合粒子群算法收斂速度快而育種算法不易陷入局部最優(yōu)的特點，提出了一種基于粒子群算法和育種算法的混合算法，該算法用于求解無約束優(yōu)化問題。數(shù)值試驗結(jié)果表明算法對于多峰值函數(shù)有很好的優(yōu)化效果。當群體最優(yōu)信息停滯時，新算法能夠使粒子群算法中的粒子跳出局部最優(yōu)解，最終求