基于改进量子粒子群算法的支持向量机参数优化方法
计算机与现代化 2018年第9期
JISUANJI YU XIANDAIHUA 总第277期
文章编号:1006-2475(2018)09-0027-05收稿日期:2018-02-07
基金项目:四川省科技厅应用基础重点项目(2018JY0129);四川省教育厅科技计划项目(18ZA0415)
作者简介:周頔(1981-),男,重庆人,四川文理学院达州智能制造产业技术研究院副研究员,重庆大学人工智能与健康监护实验室访问学者,硕士,研究方向:智能计算,模式识别,机器学习,医学图像处理,数据分析三基于改进量子粒子群算法的支持向量机参数优化方法
周 頔1,2
(1.四川文理学院达州智能制造产业技术研究院,四川达州635000;2.重庆大学人工智能与健康监护实验室,重庆400044)摘要:支持向量机参数的选择对建模精度和泛化性能等有着重要的影响,提出量子粒子群优化(QPSO )改进算法优化支持向量机(SVM )参数的方法三该方法首先将混合扰动算子引入QPSO 算法中,用于获取平均最优位置,建立一种基于混合扰动算子的QPSO 算法改进方法(IQPSO ),然后用IQPSO 算法的全局优化能力对支持向量机惩罚系数和核参数进行综合寻优,求取最优化参数组合,从而提高支持向量机的求解速度和解的精确性三利用测试函数和UCI 测试数据,对IQP-SO-SVM 进行仿真测试与分类,实验结果表明,IQPSO 能获得很好的优化结果,IQPSO-SVM 具有较好的泛化性能三关键词:改进量子粒子群;支持向量机;参数优化;混合扰动算子;性能
中图分类号:TH164 文献标识码:A doi :10.3969/j.issn.1006-2475.2018.09.006
An Optimization Method of SVM Parameters Based on Improved QPSO Algorithm
ZHOU Di 1,2
(1.Dazhou Industrial Technological Institute of Intelligent Manufacturing,Sichuan University of Arts and Science,Dazhou 635000,China;2.Artificial Intelligence and Health Monitoring Laboratory,Chongqing University,Chongqing 400044,China)
Abstract :Because the parameter selection of support vector machine (SVM)has an important influence on the modeling preci-sion and generalization performance,an optimization method of SVM parameters based on improved QPSO algorithm (IQPSO-SVM)is proposed.In the IQPSO-SVM method,the mixed disturbance operator is introduced into QPSO algorithm in order to ob-tain the average optimization position to construct an improved QPSO (IQPSO)algorithm.Then the IQPSO algorithm with the global optimization ability is used to optimize the penalty coefficient and kernel parameter of SVM model in order to obtain the op-timal combination values of parameters and improve the accuracy and solving speed for SVM model.The test functions and UCI data are used to test and verify the effectiveness of the proposed IQPSO-SVM method.The experimental results show that IQPSO can obtain better optimization effect,and IQPSO-SVM has good generalization performance.
Key words :improved quantum particle swarm optimization;support vector machine;parameter optimization;mixed disturbance operator;performance 0 引 言
支持向量机(SVM)[1]是一种基于统计学习的VC 维理论和结构风险最小原理的分类算法,通过在学习能力和模型复杂性间寻求最佳折中来获得较好
的分类效果三它能有效求解高维二非线性分类问题,
能在小样本条件下建立精准的系统模型,并表现出较
强的泛化能力,目前广泛应用于数据分类二模式识别二
函数逼近二智能控制等领域[2]三但是支持向量机的学习精度和泛化能力取决于其参数优化选择,因此国内外学者从不同的角度对SVM 参数选取问题进行广泛的研究,取得了不错的效果三金晶等[3]引入粒子群优化算法,提出一种SVM 不敏感损失函数的X 参数寻优方法三任江涛等[4]利用二进制PSO 算法优化SVM 参数,提出了一种PSO-SVM 算法三于化龙等[5]提出一种改进的离散PSO 和SVM 的特征基因选择算法三姚全珠等[6]提出了一种基于PSO 的LS-SVM 参数的优化算法三陈治明[7]提出一种量子粒子群优化算法,用于优化最小二乘支持向量机(LS-SVM)的参数三单黎黎等[8]提
万方数据