SVM算法的区间自适应PSO优化及其应用  

SVM Algorithm Based on Interval Adaptive PSO and Its Application

作　　者：王杰[1] 姜念[1] 张毅[1] 

机构地区：[1]郑州大学电气工程学院,河南郑州450001

出　　处：《郑州大学学报（工学版）》2011年第1期75-79,共5页Journal of Zhengzhou University（Engineering Science）

基　　金：国家自然科学基金资助项目(60974005);教育部博士点基金资助项目(20094101120008);河南省杰出人才创新基金资助项目(074200510013)

摘　　要：核(Kernel)参数选取对支持向量机的推广能力和泛化能力有至关重要的作用,尤其是在对大量数据进行识别分类时,需要占用计算机大量内存,SVM参数优化速度明显缓慢,从而影响了整个系统性能.针对此问题,笔者提出一种区间自适应粒子群算法来优化SVM参数,粒子根据实际情况动态平衡其全局搜索与局部搜索能力,提高了参数优化速度.在入侵检测系统的应用中,与蚁群算法、遗传算法优化SVM参数的结果进行比较.实验证明:此方法分类精度提高约9.7%,响应时间缩短约40.6%～56.5%,具有较大的优势.The parameters of the kernel functions are very improtant for the SVMs（Support Vector Machines） in the generalization ability,especially when we use the SVM for data classification with a great deal of data,it will need so much computer memory that the speed of parameter optimization will be decreased.For this problem,this paper presents a method that uses an interval adaptive particle swarm optimization to optimize the parameters of the SVMs.Then we apply this method to the intrusion detection systems,and compare it with the Ant Colony Algorithm and the Genetic Algorithm.The experimental results show that this method improves the classification accuracy by 9.7%,and the response time is shortened by 40.6%～56.5%.That proves this method is workable.

关 键 词：支持向量机 自适应 粒子群优化算法 入侵检测 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程] TP309.1[自动化与计算机技术—控制科学与工程]