基于粒子群算法的特征選擇與支持向量機(jī)參數(shù)同步優(yōu)化.pdf

1、SVM是一種新的模式分類技術(shù)，已經(jīng)在許多領(lǐng)域得到廣泛的應(yīng)用。特征選擇和分類器參數(shù)優(yōu)化是提高SVM性能的兩個(gè)重要方面，傳統(tǒng)上這兩個(gè)問題是分開解決的。然而這兩個(gè)問題是相互影響的，獲取最佳特征子集和獲取最優(yōu)參數(shù)應(yīng)該同步進(jìn)行。隨著進(jìn)化優(yōu)化計(jì)算技術(shù)在模式識(shí)別領(lǐng)域的廣泛應(yīng)用，編碼上的靈活性使得特征選擇及參數(shù)的同步優(yōu)化成為一種可能和趨勢(shì)。 為解決SVM的特征選擇和參數(shù)優(yōu)化問題，本文提出了一種基于連續(xù)PSO算法的特征選擇和SVM參數(shù)同步優(yōu)化算法

2、(CPSO-SVM)，其目標(biāo)是在盡可能提高SVM分類精度的同時(shí)，選擇盡可能少的特征數(shù)目。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)研究表明，CPSO-SVM算法具有原始SVM算法所不具備的特征選擇能力，能顯著提高SVM的分類能力(包括更高的分類精度和更好的均衡性)，而且從分類器的整個(gè)生命周期來看，具有更高的效率。與Huang C-L等[12]所提出的基于GA的算法相比，CPSO-SVM算法在分類能力和特征性選擇能力上毫不遜色，而且效率更高。因此，CPSO-S

3、VM算法具有較好的分類能力、特征選擇能力和效率，是一種有效的算法。 鑒于特征選擇在SVM分類問題上的重要性，以及離散PSO算法比連續(xù)PSO算法更適合處理特征選擇這種組合優(yōu)化問題，本文在CPSO-SVM算法的基礎(chǔ)上，提出了一種基于離散PSO算法的特征選擇和SVM參數(shù)同步優(yōu)化算法(DPSO-SVM)，旨在提高CPSO-SVM算法的特征選擇能力。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)研究表明，DPSO-SVM算法在分類能力(指分類器精度和均衡性)和算法