基于改进粒子群算法的SVR参数优化选择的研究基于改进粒子群算法的SVR参数优化选择的研究.pdfVIP

ValueEngineeringNo．11,2008 价值 工程 2008年第 11期 基于改进粒子群算法的 SVR参数优化选择的研究 ToStudyonOptimizationofSVR ParametersSelectionBasedonIPSO 张贺 ZhangHe；贺兴时 HeXingshi (西安工程大学 理学院，西安 710048) (Xi’anEngineeringUniversity，Xi’an710048，China) 摘要：支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取，由于在参数的选择范围内可选择的 数量是无穷的，在多个参数 中盲 目搜索最优参数是需要极大的时间代价，并且很难逼近最优。因此提 出了基于改进粒子群算法 的SVR参数优化选择方法。仿真结果表 明：该改进粒子群算法优化 SVR参数方法可行、有效．由此得到的SVR模型具有更好 的学习精度和推广能力 Abstract：rrheregressionaccuracyandgeneralizationperformanceofthesupportvectorregression (sVR)modelsdependona propersettingofitsparameters．Astheparameterchoiceisinfinite，theparameterchioceneedsenomr oustime，andisverydifficultto approach superiorly．So An optimalselection approach ofSVR parameterswasputforward basedon improvedparticle swarln optimizationalgorithm．Simulationresultsshow thattheoptimalselectionapproachbasedonIPS0 isavailableandtheIPSO—SVR modelhassuperiorlearningaccuracyandgeneralizationperfomr ance． 关键词 ：改进粒子群算法 ；支持 向量回归(SVR)：递减策略 Keywords：imp~vedparticleswarmoptimizationalgorithm；supportvectorregression(SVR)；decreasingstrategy 中图分类号 ：TP301．6 文献标识码：A 文章编号 ：1006—431l(2008)11-0090-04 0 引言 线性问题 ．然后利用线性回归的方法进行计算 这里的 支持向量机 (SupportVectorMachines。SVM)是 20 非线性变换采用了核函数．即直接用核函数代替线性 世纪90年代 由Vapnik提出的一种基于统计学理论的 回归中的内积。同时，SVR中引入的损失函数在支持向 新的机器学习方法 1『 近几年在其理论研究和算法实 量机中也起了非常重要的作用．最常用的是Vapnik的 现方面都取得了突破性进展 并逐渐成为克服 “维数灾 (不敏感损失函数)。由于 SVM模型的性能取决于选择 难 ”和 “过学习”等传统困难的有力工具。在人脸识~JI]131、 适当的SVM参数 。很多学者都认识到了这点．也对此 图像检测}4I、图像检测四等领域有着许多成功的应用 展开了深入的研究6『．-，现在常用的方法是通过网格法 SVR是建立在SvM思想上的回归算法