基于改進粒子群算法的支持向量機參數優化及應用
2014-12-29 00:00:00周璐
企業文化·下旬刊 2014年2期
摘 要：提出了一種改進粒子群優化算法，將其應用于支持向量機參數的優化設計。將改進粒子群優化的支持向量機用于磨礦粒度軟測量，建立了基于改進粒子群算法的支持向量機磨礦粒度軟測量模型，工業試驗結果表明該模型具有較高的精度和良好的性能。
關鍵詞：支持向量機（SVM）；軟測量；磨礦粒度
1.引言：支持向量機 （support vector machines， SVM）是上世紀90年代提出一種基于統計學習理論的機器學習方法，這種方法應用結構風險最小化理論，能較好地解決小樣本、非線性等實際問題。支持向量機最初應用于模式識別，隨后在函數逼近、模型預測等領域也得到了廣泛的發展。實踐表明，SVM的性能與核函數的類型、核函數的參數以及懲罰系數C有很大關系。目前，一些學者將遺傳算法、蟻群算法及粒子群算法等仿生進化算法應用于SVM參數的優化問題，但也存在一定的不足。遺傳算法存在收斂速度慢，變異、交叉概率無法確定等缺點；蟻群算法實現相對復雜且不適于處理實優化問題；粒子群算法雖然結構簡單，容易實現，但當參數空間非常復雜的情況下由于初始值設定不當可能會陷入局部極小。有些學者提出將其它優化算法與粒子群算法結合的混合算法，但無疑增加了算法的復雜性。同時對粒子群的全局和局部性質進行改進的混合算法較少。
2.改進的粒子群優化算法
2.1 粒子群優化算法
參考文獻：
[1] 邢桂華，朱慶保.基于蟻群算法的RBF網絡參數的兩階段優化[J].計算機工程與應用，2005，27（4）：56-59
[2] 李紅利，張曉彤，蘭立柱等.基于遺傳算法的RBF神經網絡的優化設計方法[J].計算機仿真，2003，20（11）：67-69
