基于核相似性差异最大化的支持向量机参数选择算法  

SVM Parameter Selection Algorithm Based on Maximum Kernel Similarity Diversity

作　　者：唐耀华[1] 郭为民[1] 高静怀[2] 

机构地区：[1]河南电力试验研究院热工研究所,郑州450052 [2]西安交通大学电子与信息工程学院,西安710049

出　　处：《模式识别与人工智能》2010年第2期210-215,共6页Pattern Recognition and Artificial Intelligence

基　　金：国家863计划资助项目(No.2006AA09A102-11)

摘　　要：针对支持向量机(SVM)参数选择问题,通过分析SVM近似网络模型及分类原理,提出一种基于核相似性差异最大化的高斯核参数快速选择算法(MSD).同时,将MSD算法与基于交叉验证的参数搜索算法相结合,构成一种复合SVM参数选择算法(MSD-GS),实现核参数与正则化参数的快速优选.UCI数据的仿真实验表明该算法具有参数选择准确、简便快速、无需数据先验知识等优点,参数选择效果甚至优于遍历式指数网格搜索算法.优选出的参数组合能够使SVM具有较高的泛化性能.Aiming at support vector machine （SVM） parameter selection problem, a novel Gaussian kernel parameter rapid selection algorithm is proposed on the basis of kernel similarity diversity maximum （MSD） by analyzing the equivalent network model and the classification principle of SVM. In addition, MSD is combined with parameter search algorithm based on cross validation, and thus it is a composite parameter selection algorithm （MSD-GS） to the realize rapid and optimal selection of kernel parameter and regularization parameter. Simulation experiment results on data sets from UCI show that MSD-GS has the merits of simpleness, celerity and accurate parameter selection with no need of adding prior knowledge. The parameter selection result is better than the traversing exponential grid search algorithm. The selected couple of SVM parameters can make SVM get high generalization performance.

关 键 词：参数选择 高斯核函数 支持向量机(SVM) 相似性度量 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]