数学的实践与认识
數學的實踐與認識
수학적실천여인식
MATHEMATICS IN PRACTICE AND THEORY
2014年
1期
200-204
,共5页
支持向量机%遗传算法%参数优化%神经网络
支持嚮量機%遺傳算法%參數優化%神經網絡
지지향량궤%유전산법%삼수우화%신경망락
support vector machine%genetic algorithm%parameter optimization%neural network
针对单纯使用遗传算法处理大规模数据需要时间长和对计算机的内存等硬件要求较高的问题,将神经网络嵌入到遗传算法中构造出混合智能遗传算法用于SVM核函数的参数优化,数值试验结果表明该算法对SVM核参数优化是可行的、有效的,并能得到较好的SVM核参数组合和具有较高的分类准确率及较好的泛化能力.
針對單純使用遺傳算法處理大規模數據需要時間長和對計算機的內存等硬件要求較高的問題,將神經網絡嵌入到遺傳算法中構造齣混閤智能遺傳算法用于SVM覈函數的參數優化,數值試驗結果錶明該算法對SVM覈參數優化是可行的、有效的,併能得到較好的SVM覈參數組閤和具有較高的分類準確率及較好的汎化能力.
침대단순사용유전산법처리대규모수거수요시간장화대계산궤적내존등경건요구교고적문제,장신경망락감입도유전산법중구조출혼합지능유전산법용우SVM핵함수적삼수우화,수치시험결과표명해산법대SVM핵삼수우화시가행적、유효적,병능득도교호적SVM핵삼수조합화구유교고적분류준학솔급교호적범화능력.
