计算机技术与发展
計算機技術與髮展
계산궤기술여발전
COMPUTER TECHNOLOGY AND DEVELOPMENT
2014年
12期
114-117,123
,共5页
李利杰%张君华%熊伟清%张颖
李利傑%張君華%熊偉清%張穎
리리걸%장군화%웅위청%장영
支持向量机%模型选择%主成分分析%自学习%遗传算法
支持嚮量機%模型選擇%主成分分析%自學習%遺傳算法
지지향량궤%모형선택%주성분분석%자학습%유전산법
support vector machine%model selection%principle component analysis%self-learning%genetic algorithm
核函数与参数选择即模型优化是影响支持向量机泛化能力的主要因素。为提高支持向量机的泛化能力,文中在最优保存遗传算法的基础上引入学习算子和主成分分析方法,提出一种新的支持向量机模型优化新算法(简称PCA-SL-GA )解决支持向量机分类器模型自动优化问题。仿真实验结果表明,与用于支持向量机模型优化的隐马尔可夫、贪心算法、遗传编程等算法相比,PCA-SLGA算法具有快速收敛性和较强的全局搜索能力。实验进一步表明采用混合算法寻找最优核模型是一种可行途径。
覈函數與參數選擇即模型優化是影響支持嚮量機汎化能力的主要因素。為提高支持嚮量機的汎化能力,文中在最優保存遺傳算法的基礎上引入學習算子和主成分分析方法,提齣一種新的支持嚮量機模型優化新算法(簡稱PCA-SL-GA )解決支持嚮量機分類器模型自動優化問題。倣真實驗結果錶明,與用于支持嚮量機模型優化的隱馬爾可伕、貪心算法、遺傳編程等算法相比,PCA-SLGA算法具有快速收斂性和較彊的全跼搜索能力。實驗進一步錶明採用混閤算法尋找最優覈模型是一種可行途徑。
핵함수여삼수선택즉모형우화시영향지지향량궤범화능력적주요인소。위제고지지향량궤적범화능력,문중재최우보존유전산법적기출상인입학습산자화주성분분석방법,제출일충신적지지향량궤모형우화신산법(간칭PCA-SL-GA )해결지지향량궤분류기모형자동우화문제。방진실험결과표명,여용우지지향량궤모형우화적은마이가부、탐심산법、유전편정등산법상비,PCA-SLGA산법구유쾌속수렴성화교강적전국수색능력。실험진일보표명채용혼합산법심조최우핵모형시일충가행도경。
Model optimization,the choice of kernel functions and its parameters,has a profound impact on the generalization ability of the support vector machine.In this paper,to improve the generalization ability for SVM,a new kernel optimization algorithm (for short PCA-SLGA),based on the elitist of genetic algorithm,which adopts self-learning operator and principle component analysis method,is put forward in order to solve the problem of automatic optimization of VSM classifier model.Compared with the SVMs optimized by hidden Markov,greedy algorithm,genetic programming,the experimental results show that PCA-SLGA converge faster and has stronger global search ability than the algorithms mentioned above.The experiments further indicates that using the hybrid algorithm to optimize the ker-nel is a promising way to find the optimal kernel model.