基于蚁群算法的支持向量机参数选择方法研究

研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低。为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法。蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法来搜索最优目标

第2卷第5 8期文章编号：0 6 94 ( 0 1 0 - 26 0 10— 38 2 1 ) 5 0 1— 4

计

算

机

仿

真

21年5 01月

基于蚁群算法的支持向量机参数选择方法研究庄严白振林许云峰，,( .石家庄经济学院信息工程学院， 1河北石家庄 00 3;. 50 1 2石家庄信息工程职业学院，河北石家庄 00 3; 50 53河北科技大学信息科学与工程学院， .河北石家庄 00 1 ) 5 0 8

摘要：研究支持向量参数选择优化问题，的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值常用的缺陷，导致支持向量机的分类精度低。为了解决支持向量机参数优化问题，出了基于蚁群算法的 S提 VM分类器泛化方法。蚁群算法是一种优化搜索方法，有较强的鲁棒性、良的分布式计算机制，V参数的选取看作参数的组合优化， 具优 SM建

立组合优化的目标函数，采用蚁群算法来搜索最优目标函数值。然后将方法与 G A的 S M模型选择方法进行了比较。实验 V表明采用蚁群算法具有~定的优势，能在较短的时间内寻找到最优解，证明已改进的方法得到了最精确参数优化结果。关键词：持向量机；数选择；群优化支参蚁中图分类号：P9 T 33文献标识码： A

Re e r h o Pa a e e s o p r c o a h n s a c n r m t r fSu po tVe t r M c i e

Ba e n An c l n a g rt m s d o t o o y l o ihZHUANG n BAIZ e ln XU n— e g Ya . h n— i . Yu f n( .h i h agU i rt o cnmi, h i hagH bi 50, hn; 1 S￣a u n n esy f oo c Sia un e e0 0 3 C i z v i E s jz 1 a2 S￣a h a gIfr a o n ie r gV ct n l o ee S iah a gH b i 5 0 5 C ia . h i u n om t n E g e n o a o a C l g, h i u n e e 0 0 3, hn; z n i n i i l jz3 I s tt fI f r t n S in e& En i e rn,He e ie st f ce c n e h oo y . n t u e o n omai ce c i o gn e g i b iUnv

ri o i n e a d T c n lg, y S

S￣ ah a g H b i 5 0 8 C ia h i un ee 00 1, h ) z nABS TRACT: u p r v c o c i e c n s le te ca sf ain p o lm i mal a lsw t o ln a n ih S p o e trma h n a ov h ls i c t rb e w t s l s mp e h n n i e ra d h g t i o h i d me so s h c a t n r cia i t. Ho v r h ls i c t n a c r c f VM ssg i c n l f ce y i n in,w i h h ssr g p a t b l y o c i we e,te ca s ai c u a y o i f o S i inf a t a e td b i y i a nn a a tr A r s n .g n t lo t m n ew r p i z t n ag r h a e c mmo p i z t n a - t t i i g p rmee . tp e e t e ei ag r h a d n t o k o t a i o t m r o sr c i mi o l i no t miai o l

g rtms frS M.Ho e e .t e emeh d r a y t ea s no l c le te m,s a p i z t n rs l mih oi h V o w v r h s to s ae e s rl p ei t o a xr mu o ot t t h o mia o e ut g t i

b a .I r e oi rv h efr n eo lsi eso VM, hsp p r nmd csa tcln loi m ud eb d n od rt mp o etep r ma c fcas r f o i f S ti a e t u e n oo yag r h t g ie i t ot e s l cin o VM d l a a t r .T u .h aa tr ee t n p o lm fS h e e t fS o mo e rme e s h s te p r mee s s lci r be o VM a e c n i ee s a c m— p o cn b o s rda o d

p u d o t z t np o l y et g h be t e u c o . h n c l y l rh a pi a hte a e o n‘ i ai rb m b tn e jc v n t n T e t o n g i m w

s p l dt s r l p mi o e s i t o i f i a o a ot a e oec h vu o t a o jc v n t nw t t n e o a c f o ute s n i r ue o p t g h e o o— f pi l bet ef ci i ef ep r r n eo rb s s a dds i t c m ui .T i m t d i c r o m i u o hh i fm n tb d n s h s npae t VM de ee to t o s d o r d wi S h mo ls lc in me h d ba e n GA to meh d. Th x e me trs l s wsa tc ln g rt m a e e p r n e ut ho n oo y a o h i l i C n g tt e o tmiain s l i n i s re i e a i h rca sfc to c u a y ta e h pi z to outo n ho trt nd h g e ls iia in a c r c h m n GA.

KE YWOR:upr vc rm cie S M) aa e r eet n A t o n pi zt n A O DS S po et ahn ( V;Prm t lco; n l yot ai ( G ) t o es i co mi o到了广泛的应用研究 J。

1引言 支持向量机 ( up rV c r cie S M)最近发展 Sp o et h, V是 t o Ma n起来的一种基于结构风险最小化原则新的机器学习技术，它

支持向量机作为一种新兴的机器学习方法，其在实际应用中还有许多需要改进的地方，其中参数选择就是最为关键的问题之一，其参数选取结果直接关系到支持向量机的预测

不仅和神经网络一样能逼近任意复杂的非线性系统…。它能较好地解决小样本、线性、非高维数等分类问题，具有良且好的推广能力，很好的解决了神经网络过学习、线性、它非维数灾和局部最优解等难题，模式识别、在回归估计等领域得

性能好坏，因此，持向量机参数的选择成为支持向量机在支实际应用的一个瓶颈问题。目前常用的支持向量机优化方 法为实验法、网格法 H、度下降算法和基于人工智能 梯

的遗传算法 J蚁群算法算法等。实验法为通常尝试不同、收稿

日期：00 0— 7修回日期：0 0 0—1 21— 3 2 21—6 7.---——

的参数最后得出一个最适合问题的参数。实验选择方法缺

21 .— 6 - - -—