SVM参数优化方法分析与决策  

Analysis and Strategy for Parameter OptimizationMethodsof SVM

作　　者：郭克友[1] 郭晓丽[1] 王艺伟[1] 

机构地区：[1]北京工商大学材料与机械工程学院,北京100048

出　　处：《计算机测量与控制》2016年第6期255-259,共5页Computer Measurement &Control

基　　金：交通运输部信息化科技项目(2012-364-835-110);北京工商大学科研能力计划项目

摘　　要：针对支持向量机应用过程中的参数选择问题,从UCI数据库选择样本集,分别采用传统的网格法、智能优化算法中的粒子群法及遗传算法实现核函数参数寻优过程,将所得最佳参数应用到样本测试中;在深入分析优化过程中各参数关系、参数对支持向量机性能的影响以及传统与智能优化算法的优劣后,得出了核函数优化策略;即先使用智能优化算法初步确定最优解范围,再结合网格法进行高精度寻优;实验数据验证了参数优化策略的有效性,为扩大支持向量机泛化率、提高应用性做了铺垫。To selectparameters of support vector machine （SVM）during application,we choose sample sets from UCI database.Thepa-rametersoptimizationofSVM with kernel function is achieved throughtraditional grid method,particle swarm optimization algorithmand genet-ic algorithm inintelligentoptimization algorithms.And the optimum parameters are applied to testingsamples.The kernel function optimiza-tion strategy is obtained after athorough analysis of the relationship between parameters,the influence of parameters on the performance of SVMand the pros and cons of both traditional and intelligent optimization algorithms.The users should use intelligent optimization algorithm preliminarily to make sure the scope ofparameters,and couple it with grid method to obtain a high degree of accuracy.Experimental datas verify the effectiveness of the strategy,which expandsthe generalization and application ofSVM.

关 键 词：支持向量机 核函数 传统优化算法 智能优化算法 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]