基于智能優(yōu)化的支持向量機分類方法研究.pdf

1、支持向量機(SVM)對于解決分類的問題具有良好的性能，其中特征選擇和參數(shù)優(yōu)化對分類精度有較大影響。在特征中存在一些冗余特征，增加了算法的時間和空間復雜度，必須進行特征選擇對數(shù)據(jù)進行降維。此外參數(shù)也會影響到最終的分類精度。這兩個因素相互影響，如何對特征選擇和參數(shù)進行同步優(yōu)化以提高分類的效率已成為研究的趨勢。
　　本文提出了一種改進的基于粒子群優(yōu)化(PSO)的SVM特征選擇和參數(shù)聯(lián)合優(yōu)化算法(GPSO-SVM)，使算法在提高分類精度的

2、同時選取最佳的特征子集。傳統(tǒng)粒子群算法在進行優(yōu)化時易出現(xiàn)陷入局部最優(yōu)和早熟的問題，為了克服這一缺點，該算法在PSO中引入遺傳算法(GA)中的交叉變異算子，使粒子在每次迭代更新后進行交叉變異操作來避免這一問題。該算法通過粒子之間的不相關性指數(shù)決定粒子之間的交叉配對，由粒子適應度值的大小決定變異概率的大小，由此產(chǎn)生新的粒子進入到群體中。這樣使得粒子跳出當前搜索到的局部最優(yōu)位置，提高群體的多樣性，在全局范圍內(nèi)尋找更優(yōu)值。在不同數(shù)據(jù)集上進行實驗

3、，與其它優(yōu)化算法相比，GPSO-SVM算法的分類精度更高，特征選擇能力更好。
　　鑒于GPSO-SVM算法雖然提高了精度，但迭代周期較長，本文使用了思維進化算法進行特征選擇和參數(shù)的同步優(yōu)化。思維進化算法(MEA)是一種新型優(yōu)化算法，利用該算法進行特征選擇和SVM參數(shù)同步優(yōu)化能取得較好的分類效果并且迭代周期相對較短，但也存在著易陷入局部最優(yōu)的問題。本文提出了一種改進的思維進化算法進行分類器優(yōu)化（RMEA-SVM），在傳統(tǒng)思維進化算法