- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
一种改进的支持向量机参数优化方法.pdf
2017 年 1 月 地理空间信息 Jan.,2017
第 15 卷第 1 期 GEOSPATIAL INFORMATION Vol.15,No.1
doi:10.3969/j.issn.1672-4623.2017.01.016
一种改进的支持向量机参数优化方法
赵朝贺1
(1. 安徽省电力设计院有限公司,安徽 合肥 230601)
摘 要:为了保证支持向量机在提高核参数寻优效率的同时,拥有较高的学习精度,深入研究了核参数对支持向量机分类的
影响,分析了网格搜索法和双线性搜索法的优缺点,并以此为基础提出了一种改进的参数优化方法。实验结果表明,该算法在
保证支持向量机获得较高学习精度的同时能大大缩短参数寻优的时间,证明了该算法的优越性。
关键词:支持向量机 ;RBF 核函数 ;参数优化 ;网格搜索 ;双线性搜索
中图分类号:P237 文献标志码:B 文章编号:1672-4623(2017)01-0053-03
支持向量机(SVM)是基于小样本统计理论提出 n
= ^ + h = c/ # + m
f (x ) sgn (w $ x) b sgn a y (x $ x ) b
的一种新的机器学习方法,在处理小样本、非线性及 i = 1 i i i
φ φ
根据泛函数理论,在满足 K(x ·x )= (x) · (x ) 条件下,
高维向量上展现出其独特的优势,已成为机器学习、 i i
模式识别、信息提取等领域的研究热点,受到众多研 解算上述问题获得最终分类函数为 :
究者的广泛关注。实践证明,核参数和惩罚系数对 k
= ^ + h = / # +
f (x ) sgn (w $ x) b sgne a y K (x $ x ) b o
i i i
SVM 性能有着很大的影响,只有选择合适的核函数及 i = 1
[1] 其 中, 核 函 数 K(x · x ) 有 多 种 形 式 :线 性 核
其参数才能得到具有良好推广能力的 SVM 分类器 。 i
您可能关注的文档
最近下载
- 北京第八十中学初一新生分班(摸底)语文考试模拟试卷(10套试卷带答案解析).pdf VIP
- 关爱老人防治痴呆课件.pptx
- 2022年粤港澳大湾区医疗器械行业发展状况与未来展望.docx
- 安徽师范大学2021-2022学年第1学期《细胞生物学》期末考试试卷(B卷)含标准答案.docx
- 青岛版科学五年级下册全册试卷 .pdf
- SGS MDR 欧盟ce法规培训.pdf VIP
- 2023年大庆师范学院公共课《马克思主义哲学》期末试卷B(有答案).docx VIP
- 《DB11T828.3-2011-实验用小型猪第3部分:遗传质量控制》.pdf VIP
- 光伏市场开发培训课件.pptx
- GY 5212-2008广播电视传输网络系统安装工程预算定额.pdf
文档评论(0)