混合核支持向量機(jī)參數(shù)優(yōu)化及其應(yīng)用研究.pdf

1、支持向量機(jī)SVM(Support Vector Machine)是一種典型的核機(jī)器學(xué)習(xí)方法,核函數(shù)及其參數(shù)的選擇直接影響著SVM分類器的性能。SVM的全局性核函數(shù)泛化性能強(qiáng)、學(xué)習(xí)能力弱,而局部性核函數(shù)學(xué)習(xí)能力強(qiáng)、泛化性能弱。將兩類核函數(shù)混合是目前較常見的一種SVM核函數(shù)構(gòu)造方法。引入混合核函數(shù)后的SVM多了一個(gè)新的可調(diào)參數(shù),即權(quán)系數(shù)。有關(guān)混合核SVM的參數(shù)尋優(yōu)一般只針對懲罰因子和核參數(shù),以及對混合核中的權(quán)系數(shù)通常取經(jīng)驗(yàn)值,這種參數(shù)選取無

2、法達(dá)到全局最優(yōu)。因此,本文對混合核SVM中所有參數(shù)進(jìn)行綜合尋優(yōu)研究。本文所做的工作如下:
　　 (1)采用動(dòng)量粒子群算法對混合核SVM參數(shù)進(jìn)行優(yōu)化。針對基本粒子群算法存在進(jìn)化后期收斂速度緩慢,易產(chǎn)生振蕩的缺陷,引入動(dòng)量項(xiàng),構(gòu)造動(dòng)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(shù)優(yōu)化中,通過對UCI中的數(shù)據(jù)集分類,得出該算法能有效提取最佳參數(shù)組合,使所得SVM泛化能力有所提高,進(jìn)化速度快于基

3、本粒子群算法,測試所得分類準(zhǔn)確率優(yōu)于其他常見的分類算法。
　　 (2)采用改進(jìn)的遺傳算法對混合核SVM參數(shù)進(jìn)行優(yōu)化。該算法利用混沌初始化種群,以在初始種群中產(chǎn)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(xiàn)象的發(fā)生;進(jìn)行遺傳操作時(shí),采用一種自適應(yīng)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(shù)尋優(yōu)中,通過Matlab編程,實(shí)現(xiàn)UCI數(shù)據(jù)集分類和車輛前方障礙物識(shí)別。最后與其他