特征选择和SVM训练模型的联合优化

• 作者: 张千里 李星 陈光英
• 来源期刊: 清华大学学报(自然科学版)
• 学科: 工学
• 关键词: 人工神经网络与计算 支持向量机 ξα-estimate 混合核函数 遗传算法 粒子群优化
• 年，卷（期）: 2004,（1）
• 所属期刊栏目: 电子工程
• 页码范围: 9-12
• 页数: 4页
• 分类号: TP183
• 字数: 3227字
• 语种: 中文
• DOI: 10.3321/j.issn:1000-0054.2004.01.003

摘要

提出了特征选择和支持向量机(SVM)训练模型的联合优化方法,利用特征选择和训练模型的互相依赖关系来提高SVM性能.该方法包括3个关键技术: 优化目标是提高SVM性能,它是由ξα-estimate方法计算出来的; 用一个二进制向量表示特征选择,用混合核函数和折中控制参数来表示训练模型; 用演化算法来求解联合优化问题.通过使用入侵检测标准数据,比较了联合优化、单独优化和分开优化方法以及遗传算法(GA)和粒子群优化算法(PSO)的使用效果.结果表明: 联合优化方法能更好地提高SVM性能,并且收敛速度更快; GA的效果比PSO要好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李星	清华大学电子工程系	163	2416	25.0	45.0
2	张千里	清华大学电子工程系	15	249	4.0	15.0
3	陈光英	清华大学电子工程系	5	302	5.0	5.0