改进蚁群算法在支持向量机中的应用.pdfVIP

J44 传感器与微系统 (TransducerandMicrosystemTechnologies) 2011年第30卷 第8期 改进蚁群算法在支持 向量机 中的应用 任玉艳 ’，鲍 洁 ，王洪瑞 (1．燕山大学 里仁学院，河北 秦皇岛066004；2．国家发展和改革委员会 国家投资项 目评审中心， 北京 100037；3．河北大学，河北 保定 071002) 摘 要：提出一一种改进的蚁群算法 (ACA)来优化支持向量机 (SVM)训练参数。陔改进算法建立于每只 蚂蚁只根据参数 在其前次迭代的最优解附近搜索 ，可快速减少搜索范匍。参数 3／的提出可以保证蚁群 快速地达到最优解。仿真结果表明：使用该方法优化SVM参数可有效避免陷入局部极值 ，提高收敛速度。 关键词：支持向量机；蚁群算法；参数；可行搜索空间 中图分类号：TP393 文献标识码 ：A 文章编号 ：1000-9787(2011)08-0144-03 A‘ppll-icatio‘n 0tim‘provedant·col’ony al’Rorit‘h’m i●n supportvectormachine RENYu—yan ，BAO Jie。 WANG Hong—rtll。‘ ， (1．LirenCollegeofYanshanUniversity，Qinhuangdao066004，China； 2．EvaluatingandExaminingCenterofState-FundedConstructionPrcaects．NationalDevelopmentand Reform Commission，Beijing100037，China；3．HebeiUniversity，Baoding071002．China) Abstract：Anew methodisproposedtooptimizeSVM basedonimprovedantcolonyalgorithm(ACA)．The proposedalgorilhm isbasedOneachantsearchesonlyaround thebestsolutionofthepreviousiteration with ， whichcanreducesearch spacefast．B isproposed forimprovingACO ’Ssolution perofrmancetoreachglobal optimum fairlyquickly．Simulation resultsindicatethatoptimizing SVM with thismethod c,anavoid the local extremeseffectivelyandimprovetheconvergencespeed． Keywords：SVM；antcolonyalgorithm(ACA)；parameter；feasiblesearchspace 0 引 言 l SVM 支持向量机 (supportvectormachine，SVM)是 Vapnik SVM基于结构风险最小化原则 ，町利川有限样本 Jl【练 等人提出的一类新型机器学习方法 。SVM是一种基于 获取具有较高泛化能力的决策函数 统汁的学习方法，它是对结构风险最小化归纳原则的近似 ， 设样本集为 ( ，Y)，i=l，2，…，，v， 为训练集样小数 其理论基础是统计学习理论。它在很大程度上解决了模型 量。其中， R 为样本的特征，Y ∈}+1，一l为样 类