基于自适应均值粒子群算法的SVM参数优化方法

• 作者: 张继中 陈树
• 来源期刊: 测控技术
• 学科: 工学
• 关键词: MAPSO-SVM 粒子群算法 SVM 自适应惯性因子 均值
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 先进算法与人工智能
• 页码范围: 6-10,15
• 页数: 6页
• 分类号: TP301.6
• 字数: 4248字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-8829.2018.04.002

摘要

针对传统粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)参数寻优时的低效问题,运用了自适应均值粒子群算法(Adaptive Mean Particle Swarm Optimization,MAPSO)对SVM参数进行优化(MAPSO-SVM算法).采用自适应策略,引入了余弦函数、非线性动态调整惯性因子,每次进化都根据种群中粒子的适应度值大小将粒子分为3个等级,对每个等级的粒子赋予相应的惯性因子,将PSO算法速度更新方程中的个体历史最优位置和全局最优位置用它们的线性组合代替.分别用SVM、PSO-SVM和MAPSO-SVM算法对UCI中不同数据集进行实验测试,结果表明MAPSO-SVM算法比SVM和PSO-SVM算法的分类效果更好,分类准确率比SVM和PSO-SVM算法分别平均提高了14.7290％和1.8347％,同时与PSO-SVM算法相比,算法的收敛精度和效率更高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈树	江南大学物联网工程学院	40	155	8.0	9.0
2	张继中	江南大学物联网工程学院	1	13	1.0	1.0