基于cpso的svm参数优化方法.docxVIP

基于cpso的svm参数优化方法 1 混合核的权系数寻优 支持向量机使用核函数技术将低维空间的数据映射到高维空间，并利用高维空间的线性方法解决低维空间的非线性问题。一个模型的很多特性都取决于核函数的类型。混合核函数就是为了提高支持向量机模型的精度而提出来的一种新型的核函数,它一般由一个高斯核和一个多项式核的线性组合而成,权系数的确定对混合核函数是否最优起着关键作用,所以有必要对其进行寻优。 而目前有关混合核支持向量机寻优的文献中都只对惩罚系数C和核参数σ进行寻优,对混合核中的权系数一般只取经验值,这样的参数选取不是全局参数的最优组合。在这种情况下,本文提出对混合核的所有参数进行综合寻优的想法。而且实验表明这种综合寻优比只对{σ,C}进行寻优的普通寻优效果要好。 本文采用的寻优方法是发展比较成熟的粒子群算法同混沌算法相结合的算法。混沌算法是新发展起来的智能优化算法,具有很强的随机性和遍历性,能弥补粒子群算法中早熟收敛的不足。由于支持向量机模型的复杂性,采用一种精确的方法进行优化成为一种必然要求,因此本文采用混沌粒子群寻优方法。 2 混合核的mercer模型 将2个不同的核函数结合起来,使得混合后的核函数具有更适合建模问题的特性,这是混合核函数方法的基本思想。核函数的类型有许多,归结起来,核函数有2种主要类型,即局部性核函数和全局性核函数。RBF核函数就是一个典型的局部性核函数,它的