改进粒子群算法优化的支持向量机及其应用.pdfVIP

第３７卷第 １２期　 　 　 　 　 　 　 　 　 　 　 哈　 尔　 滨　 工　 程　 大　 学　 学　 报　 　 　 　 　 　 　 　 　 　 Ｖｏｌ．３７ №．１２ ２０１６年１２月　 　 　 　 　 　 　 　 　 　 Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ 　 　 　 　 　 　 　 　 　 　 　 Ｄｅｃ． ２０１６ 改进粒子群算法优化的支持向量机及其应用 王振武，孙佳骏，尹成峰 （中国矿业大学 机电与信息工程学院，北京 １０００８３） 摘　 要：传统粒子群优化（ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法主要包含两方面问题，即易陷入局部极小和后期震 荡严重，为此引入混沌序列来初始化粒子群的位置，并在简化的粒子群数学模型上从两个方面对其进行了改进。 本文利用改进的ＰＳＯ算法对支持向量机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）的参数进行优化，仿真实验结果表明：与 ＳＶＭ、ＰＳＯ-ＳＶＭ 以及遗传算法（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ＧＡ）优化的ＳＶＭ（ＧＡ-ＳＶＭ）相比，改进ＰＳＯ优化的ＳＶＭ（ＩＰＳＯ- ＳＶＭ）算法具有较高的分类准确率，并且与ＰＳＯ-ＳＶＭ算法相比，准确率提高了３％～５％，与ＰＳＯ-ＳＶＭ算法以及ＧＡ- ＳＶＭ算法相比，ＩＰＳＯ-ＳＶＭ的训练和泛化速度都明显提高。 本文将ＩＰＳＯ-ＳＶＭ算法应用到遥感影像的分类中，分类 结果表明，与ＰＳＯ-ＳＶＭ算法相比，ＩＰＳＯ-ＳＶＭ算法具有更好的分类结果。 关键词：粒子群优化算法；混沌序列；支持向量机；遥感影像 ＤＯＩ：１０．１１９９０／ ｊｈｅｕ．２０１６０１００５ 网络出版地址：ｈｔｔｐ：／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ ｋｃｍｓ／ ｄｅｔａｉｌ／ ２３．１３９０．ｕ０９３６．０３６．ｈｔｍｌ 中图分类号：ＴＰ３０１．６　 文献标志码：Ａ　 文章编号：１００６-７０４３（２０１６）１２-１７２８-０６ Ａ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｂａｓｅｄ ｏｎ ａｎ ｉｍｐｒｏｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ＷＡＮＧＺｈｅｎｗｕ，ＳＵＮＪｉａｊｕｎ，ＹＩＮ Ｃｈｅｎｇｆｅｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｌｅｃｔｒｏｎｉｃ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １０００８３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ （ＰＳＯ）ａｌｇｏｒｉｔｈｍｈａｓｔｗｏｔｙｐｅｓｏｆ ｄｅｆｅｃｔｓ，ｉ．ｅ．，ｅａｓｉｌｙ ｆａｌｌｉｎｇ ｉｎｔｏ ｔｈｅ ｌｏｃａｌ ｍｉｎｉｍａ ａｎｄ ｓｅｖｅｒｅ ｓｈｏｃｋ ｉｎ ｔｈｅ ｌａｔｅｒ ｓｔａｇｅｓ． Ｔｏ ａｄｄｒｅｓｓ ｔｈｅｓｅ ｐｒｏｂｌｅｍｓ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａｎ ｉｍ- ｐｒｏｖｅｄ ＰＳＯ （ＩＰＳＯ） ａｌｇｏｒｉｔｈｍ， ｗｈｉｃｈ ｉｎｔｒｏｄｕｃｅｓ ａ ｃｈａｏｔｉｃ ｓｅｑｕｅｎｃｅ ｔｏ ｉｎｉｔｉａｌｉｚｅ ｔｈｅ ｐｏｓｉｔｉｏｎｓ ｏｆ ｔｈｅ ｐａｒｔｉｃｌｅ ｓｗａｒｍ，ａｎｄ ｏｐｔｉｍｉｚｅｓ ｉｔ ｆｒｏｍ ｔｗｏ ａｓｐｅｃｔｓｂａｓｅｄ ｏｎ ａ ｓｉｍｐｌｉｆｉｅｄ ＰＳＯｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ．Ｔｈｉｓｐａｐｅｒ ｕｓｅｄ ＩＰＳＯｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒｓ ｏｆ ａ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ （ＳＶＭ）． Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｐｒｏｖｅｄ ｔｈａｔ ｃｏｍｐａｒｅｄｗｉｔｈ ＳＶＭ，ＰＳＯ-ＳＶＭ，ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｏｐｔｉｍｉｚｅｄ ＳＶＭ （ＧＡ-ＳＶＭ），ｔｈｅ ｉｍｐｒｏｖｅｄ ＰＳＯ ｏｐｔｉｍｉｚｅｄ ＳＶＭ（ＩＰＳＯ-ＳＶＭ）ｈａｓｈｉｇｈｅｒｃｌａｓｓｉｆｉｃａｔｉｏ