發(fā)布時間：2021-01-31 00:08

　　參數(shù)的選擇對支持向量機（SVM）分類精度和泛化能力有至關重要的影響,而群體智能算法近年來在參數(shù)優(yōu)化方面應用廣泛,在此背景下提出CSA-SVM模型。該模型將分類準確率作為目標函數(shù),利用烏鴉搜索算法（CSA）求得SVM的最優(yōu)參數(shù)組合。為了驗證CSA-SVM模型的分類性能,將該模型應用于6個標準分類數(shù)據(jù)集,并分別與遺傳算法（GA）和粒子群（PSO）算法優(yōu)化后的SVM模型進行性能比較。實驗結果表明,CSA算法在SVM參數(shù)選擇中具有更好地尋優(yōu)能力和更快地尋優(yōu)速度,CSA-SVM模型具有較高的分類準確率。 

【文章來源】：計算機工程與應用. 2019,55(21)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

三種模型關于數(shù)據(jù)集Ionospbere(D1)上的對比結果

02三種模型關于數(shù)據(jù)集Ionosphere（D1）上的對比結果圖3三種模型關于數(shù)據(jù)集Wine（D2）上的對比結果圖102030405060708090100迭代次數(shù)1.000.950.900.850.800.750.700.650.60適應度CSA-SVMGA-SVMPSO-SVM0D{102030405060708090100迭代次數(shù)1.000.950.900.850.800.750.70適應度CSA-SVMGA-SVMPSO-SVM0圖5三種模型關于數(shù)據(jù)集BreastCancer（D4）上的對比結果°(102030405060708090100迭代次數(shù)CSA-SVMGA-SVMPSO-SVM1.00.80.60.40.2適應度0圖4三種模型關于數(shù)據(jù)集Iris（D3）上的對比結果102030405060708090100迭代次數(shù)CSA-SVMGA-SVMPSO-SVM1.00.90.80.70.60.50.40.3適應度0圖7三種模型關于數(shù)據(jù)集Glass（D6）上的對比結果0I102030405060708090100迭代次數(shù)1.000.950.900.850.800.750.70適應度CSA-SVMGA-SVMPSO-SVM0圖6三種模型關于數(shù)據(jù)集Parkinson（D5）上的對比結果王麗婷，等：烏鴉搜索算法在SVM參數(shù)優(yōu)化中的應用217

PSO-SVM0圖5三種模型關于數(shù)據(jù)集BreastCancer（D4）上的對比結果°(102030405060708090100迭代次數(shù)CSA-SVMGA-SVMPSO-SVM1.00.80.60.40.2適應度0圖4三種模型關于數(shù)據(jù)集Iris（D3）上的對比結果102030405060708090100迭代次數(shù)CSA-SVMGA-SVMPSO-SVM1.00.90.80.70.60.50.40.3適應度0圖7三種模型關于數(shù)據(jù)集Glass（D6）上的對比結果0I102030405060708090100迭代次數(shù)1.000.950.900.850.800.750.70適應度CSA-SVMGA-SVMPSO-SVM0圖6三種模型關于數(shù)據(jù)集Parkinson（D5）上的對比結果王麗婷，等：烏鴉搜索算法在SVM參數(shù)優(yōu)化中的應用217

【參考文獻】：
期刊論文
[1]改進人工魚群算法在SVM參數(shù)優(yōu)化中的應用[J]. 邱云飛,李智義.  計算機工程與科學. 2018(11)
[2]基于粒子群算法的支持向量機的參數(shù)優(yōu)化[J]. 陳晉音,熊暉,鄭海斌.  計算機科學. 2018(06)
[3]基于改進PSO算法的混合核SVM算法[J]. 徐中宇,蘇明玉,姚慶安.  吉林大學學報(理學版). 2018(03)
[4]群智能算法優(yōu)化支持向量機參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學報. 2018(01)
[5]基于改進網格搜索算法的隨機森林參數(shù)優(yōu)化[J]. 溫博文,董文瀚,解武杰,馬駿.  計算機工程與應用. 2018(10)
[6]融合改進遺傳和人工蜂群的SVM參數(shù)優(yōu)化算法[J]. 高雷阜,佟盼.  計算機工程與應用. 2016(18)
[7]耦合人工魚群算法在支持向量機參數(shù)優(yōu)化中的應用[J]. 高雷阜,趙世杰,高鼎.  小型微型計算機系統(tǒng). 2015(01)
[8]牛頓法在求解支持向量機中的應用[J]. 張新新,候明,范麗亞.  聊城大學學報(自然科學版). 2014(04)
[9]改進蟻群算法在SVM參數(shù)優(yōu)化研究中的應用[J]. 高雷阜,張秀麗,王飛.  計算機工程與應用. 2015(13)
[10]基于蜜蜂算法的支持向量機特征選擇和參數(shù)優(yōu)化[J]. 陳淵,馬宏偉.  組合機床與自動化加工技術. 2013(11)

碩士論文
[1]基于改進隨機梯度下降算法的SVM[D]. 金釗.河北大學 2017



本文編號：3009836