基于差分进化算法的支持向量机参数选择.pdfVIP

ComputerEngineeringandApplications计算机工程与应用 @研究、探讨@ 基于差分进化算法的支持向量机参数选择 陈 涛，雍龙泉，邓方安，杨 晓 CHEN Tao，YONG Longquan，DENG Fang’an，YANG Xiao 陕西理工学院 数学系，陕西 汉中 723000 DepartmentofMathematics，ShaanxiUniversity ofTechnology，Hanzhong，Shaanxi723000，China CItEN Tao，YONG Longquan，DENG Fang’an。eta1．Parameters selection ofsupportvectormachine based on differen． tialevolution．ComputerEngineeringandApplications，2011，47(5)：24．26． Abstract：Pammeters ofsupportvectormachine are importantfactors to affectthe performance ofSVM ．Parametersselection ofSVM based on differentialevolution iSpresentedtoimprovetheclassification accuracy nad generalization abiliyt．Optimal ruleishteleastmisjudgmentrateofsamples，andtheparametersofSVM areoptimizedbyusnigDE．Thesimulationresults show thatparameters selection based on DE can accelerate hte pace ofthe serach praameters and improve classification ac． curacy ofSVM．Ithasgoodrobustnessna d strong globalserach capability． Keywords：SupportVectorMachine(SVM)；Differentia1Evolution(DE)；praametersselection 摘 要：支持向量机参数是影响其性能的重要因素，为了进一步提高支持向量机分类精度和泛化能力，提出了基于差分进化算法 的SVM参数选择。以样本误判率最小为优化准则，利用差分进化算法对SVM参数进行优化选择。实验结果表明，利用差分进 化算法选择SVM参数，加快了参数搜索的速度，提高了sⅥ订分类精度，该方法具有良好的鲁棒性和较强的全局寻优能力。 关键词：支持向量机；差分进化算法；参数选择 DOI：10．3778／j．issn．1002-8331．2011．05．008 文章编号：1002．8331(2011)05．0024．03 文献标识码：A 中图分类号：TP18 支持向量机 (SupportVectorMac~ e，SVM)是Vapnik 进一步的搜索。其思想原理相对简单，算法控制参数较少，具 等人于1995年在统计学习理论 基础上提出的智能优化算法， 有较强的全局搜索能力和鲁棒性，而且能提高优化速度。 它以结构风险最小化为原则，很好地解决小样本、高维数、非 提出基于差分进化算法的SVM参数优化选择方法。基 线性以及局部极小点等实际问题。大量研究表明，SVM参数 于DE的全局寻优能力，以样本误判率最小为优化准则建立 目 是影响支持向量机性能的主要因素。目前，参数选择没有统 标函数，利用DE算法对支持向量机的核参数和惩罚参数进行 一 的标准和理论，人们往往凭经验或利用交叉验证法(Cross 优化选择，以提高支持向量机的分类精度和泛化能力。 Validation)，通过大量试验获得较优的参数，但这种方法比较 费时，其获得的参数不一定是最优的。近年来，很多学者又提 1 支持向量机 出了一些其他参数优化方法 ，文献[3】利用梯度下降法(Gradi． 支持向量机n的基本思想是基于Mercer定理，通过适当的 entDescend，GD)进行参数优化，该方