混合核支持向量機參數優(yōu)化及其應用研究.pdf

1、支持向量機SVM(Support Vector Machine)是一種典型的核機器學習方法,核函數及其參數的選擇直接影響著SVM分類器的性能。SVM的全局性核函數泛化性能強、學習能力弱,而局部性核函數學習能力強、泛化性能弱。將兩類核函數混合是目前較常見的一種SVM核函數構造方法。引入混合核函數后的SVM多了一個新的可調參數,即權系數。有關混合核SVM的參數尋優(yōu)一般只針對懲罰因子和核參數,以及對混合核中的權系數通常取經驗值,這種參數選取無

2、法達到全局最優(yōu)。因此,本文對混合核SVM中所有參數進行綜合尋優(yōu)研究。本文所做的工作如下:
　　 (1)采用動量粒子群算法對混合核SVM參數進行優(yōu)化。針對基本粒子群算法存在進化后期收斂速度緩慢,易產生振蕩的缺陷,引入動量項,構造動量粒子群算法,以有效提高算法的收斂速度及部分避免其后期振蕩的發(fā)生。將其用于混合核SVM參數優(yōu)化中,通過對UCI中的數據集分類,得出該算法能有效提取最佳參數組合,使所得SVM泛化能力有所提高,進化速度快于基

3、本粒子群算法,測試所得分類準確率優(yōu)于其他常見的分類算法。
　　 (2)采用改進的遺傳算法對混合核SVM參數進行優(yōu)化。該算法利用混沌初始化種群,以在初始種群中產生更多有效基因型,保證種群多樣性,有效緩解其陷入局部最優(yōu)現象的發(fā)生;進行遺傳操作時,采用一種自適應的交叉、變異算子不僅能較好保證群體多樣性,而且能有效提高算法收斂速度。將其用于混合核SVM參數尋優(yōu)中,通過Matlab編程,實現UCI數據集分類和車輛前方障礙物識別。最后與其他