支持向量機參數選擇的研究.pdf

1、支持向量機(SVM)是目前應用比較多的一種機器學習方法。該方法在樣本不充足時仍然能表現出很好效果，所以現在正成為當前機器學習的研究熱點。大量研究表明，SVM參數選擇對分類效果有很大的影響。支持向量分類機(SVC)作為SVM的一個研究方向，一般需要優(yōu)化的兩個參數分別是懲罰參數C和核參數σ。但是目前還沒有很好的理論指導參數的優(yōu)化選擇。常用的方法有實驗法、網格法、梯度下降法、智能優(yōu)化算法等。大部分方法是把兩個參數作為一個參數對進行優(yōu)化選擇的。

2、這樣的操作過程往往會很繁瑣而且效果也不是很理想。本文采用先對核參數進行選擇，然后對懲罰參數進行選擇的方法。這樣分步驟的參數選擇方法不但簡化了參數選擇的操作過程而且基于選擇出的參數建立的SVM模型的分類性能也得到了一定程度的提升。本文主要工作如下:
　　(1)介紹統(tǒng)計學習理論，詳細介紹了SVM的基本思想，包括最優(yōu)分類超平面、線性可分支持向量機、線性不可分支持向量機、非線性支持向量機。
　　(2)分別介紹了核參數和懲罰參數對SV

3、M的影響，并詳細介紹了幾種比較常用的優(yōu)化參數方法:遺傳算法、粒子群算法、網格搜索算法。然后設計了改進的參數選擇方法。即先研究分析基于矩陣相似度為標準選擇核參數不足之處并進行改進，改進后的問題轉變成求一個含核參數的混合表達式的最大值，然后用遺傳算法求解使得表達式值最大的核參數就是要尋找的最優(yōu)核參數。最后再將得到的最優(yōu)核參數帶入到SVM模型中去利用混合智能算法(PG)經過訓練得到懲罰參數。
　　(3)通過實驗仿真顯示，基于改進算法選擇