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