基于PFO算法的支持向量機(jī)參數(shù)優(yōu)化的研究.pdf

1、支持向量機(jī)(Support Vector Machine，SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論(Statistical LearningTheory, SLT)基礎(chǔ)上發(fā)展起來的一種具有優(yōu)良性能的學(xué)習(xí)機(jī)器，它根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期望獲得最好的推廣能力。支持向量機(jī)始終存在的一個(gè)問題是它的執(zhí)行效果依賴于參數(shù)的設(shè)置，其中包括懲罰因子和核參數(shù)，但卻沒有一個(gè)合適的理論來指導(dǎo)如何尋找適應(yīng)于具體的樣本數(shù)據(jù)的參數(shù)。參數(shù)選擇是

2、支持向量機(jī)研究領(lǐng)域的重要問題，其本質(zhì)就是一個(gè)優(yōu)化搜索的過程。
　　粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）是群體智能一個(gè)新的分支，由Kennedy和Eberhart于1995年首次提出，源于對鳥群捕食行為的研究。該算法是通過個(gè)體間的協(xié)作來尋找最優(yōu)解，它簡單、易行、并且容易實(shí)現(xiàn)，但算法也存在著容易陷入局部最優(yōu)和過早收斂等問題?；谶@種現(xiàn)象，后人將標(biāo)準(zhǔn)粒子群優(yōu)化算法與粒子濾波器(Particle

3、 Filter, PF)結(jié)合起來，形成了粒子濾波器優(yōu)化算法(Particle Filter Optimization，PFO)，并通過實(shí)驗(yàn)驗(yàn)證得知，該算法在尋優(yōu)速度和最終適應(yīng)值方面要好于標(biāo)準(zhǔn)的粒子群優(yōu)化算法。
　　本文首先分析了支持向量機(jī)模型中核參數(shù)和懲罰因子對模型的影響，對已有的參數(shù)優(yōu)化方法進(jìn)行了簡要介紹;然后在基于標(biāo)準(zhǔn)的粒子群優(yōu)化算法的支持向量機(jī)參數(shù)優(yōu)化方法(PSO-SVM)的基礎(chǔ)上，提出了基于改進(jìn)的粒子群算法的支持向量機(jī)參數(shù)