基于PFO算法的支持向量機參數優(yōu)化的研究.pdf_第1頁
已閱讀1頁,還剩67頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、支持向量機(Support Vector Machine,SVM)是在統(tǒng)計學習理論(Statistical LearningTheory, SLT)基礎上發(fā)展起來的一種具有優(yōu)良性能的學習機器,它根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷,以期望獲得最好的推廣能力。支持向量機始終存在的一個問題是它的執(zhí)行效果依賴于參數的設置,其中包括懲罰因子和核參數,但卻沒有一個合適的理論來指導如何尋找適應于具體的樣本數據的參數。參數選擇是

2、支持向量機研究領域的重要問題,其本質就是一個優(yōu)化搜索的過程。
  粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是群體智能一個新的分支,由Kennedy和Eberhart于1995年首次提出,源于對鳥群捕食行為的研究。該算法是通過個體間的協(xié)作來尋找最優(yōu)解,它簡單、易行、并且容易實現,但算法也存在著容易陷入局部最優(yōu)和過早收斂等問題。基于這種現象,后人將標準粒子群優(yōu)化算法與粒子濾波器(Particle

3、 Filter, PF)結合起來,形成了粒子濾波器優(yōu)化算法(Particle Filter Optimization,PFO),并通過實驗驗證得知,該算法在尋優(yōu)速度和最終適應值方面要好于標準的粒子群優(yōu)化算法。
  本文首先分析了支持向量機模型中核參數和懲罰因子對模型的影響,對已有的參數優(yōu)化方法進行了簡要介紹;然后在基于標準的粒子群優(yōu)化算法的支持向量機參數優(yōu)化方法(PSO-SVM)的基礎上,提出了基于改進的粒子群算法的支持向量機參數

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論