基于 Fisher判别准则和改进遗传算法核函数参数优化研究.docVIP

基于 Fisher判别准则和改进遗传算法核函数参数优化研究 　　摘 要核函数选择及其参数优化对提高支持向量机分类性能是极其重要的。本文针对支持向量机的故障分类器的核函数优化问题,提出了基于 Fisher判别准则和改进遗传算法相结合的核函数参数优化算法来求解核函数参数最优值的全局解。实验结果表明,该算法能提高分类器的分类性能,具有算法简单、优化效率高等优点。 　　关键词支持向量机;核函数;故障分类器;遗传算法 　　中图分类号TP18文献标识码A文章编号1673-9671-(2009)111-0030-02 　　 　　0前言 　　支持向量机能够较好地解决小样本的学习问题,可使在小样本情况下建立的分类器具有较好的推广能力。但故障分类器的性能与支持向量机核函数的类型、核函数的参数以及约束常数 有很大关系。在建立故障分类器时,这些参数常需要大量的试验确定,不但费时、费力、效率低,且这样确定的参数不一定是最优的。支持向量机的核函数 直接影响故障分类器的分类结果,求取核参数最优值的优化算法,主要考虑优化精度、优化效率和容易实现等问题。 　　遗传算法(Genetic Algorithm,简称GA)起源于对生物系统所进行的计算机模拟研究。美国Michigan大学的Holland教授及其学生受生物模拟技术的启发,创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术