基于MultiBoost的集成支持向量机分类方法及其应用_吕锋.pdfVIP

第30 卷 第1 期 控 制 与 决 策 2015 年 1 月 Vol. 30 No. 1 Control and Decision Jan. 2015 文章编号: 1001-0920 (2015) 01-0081-05 DOI: 10.13195/j.kzyjc.2013.1562 基于MultiBoost 的集成支持向量机分类方法及其应用 吕 锋, 李 翔, 杜文霞 (河北师范大学物理科学与信息工程学院，石家庄050024) 摘 要: 针对网络故障诊断中的模式识别问题, 提出一种基于多重提升(MultiBoost) 的优化支持向量机集成学习方 法. 首先, 利用自适应的荷尔蒙调节遗传算法(HMGA), 对支持向量机基分类器进行建模参数优化; 然后, 通过构建 MultiBoost 集成学习方法将多个基分类器集成, 建立以多分类器优化集成为核心的故障诊断系统. 实验结果表明, 所 提出的方法在网络故障诊断中, 迭代次数少、建模时间短, 并且能够明显提高故障分类的准确率. 关键词: 支持向量机；荷尔蒙调节遗传算法；多分类器集成；网络故障诊断 中图分类号: TP29 文献标志码: A MultiBoost with SVM-based ensemble classification method and application ¨ L Feng, LI Xiang, DU Wen-xia (School of Phycisis Science and Information Engineering，Hebei Normal University ，Shijiazhuang 050024，China. Correspondent ：LI Xiang ，E-mail ：lixiang hebtu@163.com) Abstract: For pattern recognition in the network fault diagnosis, an optimal SVM ensemble learning method based on MultiBoost is proposed. Firstly, the parameters of SVM-base-classifier are optimized by using the adaptive hormone modulation genetic algorithm(HMGA). Then, multi-base-classifiers are integrated by using the MultiBoost algorithm. Finally, with multiple ensemble optimal classifiers as the core, the fault diagnosis system is established. Simulation results show that the proposed method can not only reduce the number of iteration and lower the computing cost, but also improve the fault diagnosis accuracy of the network fault diagnosis system. Keywords: SVM；hormone modulation GA ；multi-classifier ensembles ；network fault diagnosis 0 引引引 言言言 支持向量机以避免二次规划求解问题. 分类是机器学习与模式识别领域的基本问题之