本文選題：支持向量機　切入點：參數尋優(yōu)　出處：《計算機工程與科學》2017年01期

【摘要】：針對支持向量機的參數尋優(yōu)缺乏數學理論指導,傳統(tǒng)人工蜂群算法易陷入長期停滯的不足,而混沌搜索算法具有很好的隨機性和遍歷性,提出了基于混沌更新策略人工蜂群支持向量機參數選擇模型(IABC-SVM)。該模型利用混沌搜索對偵察蜂搜索方式進行改進,有效提高蜂群算法搜索效率。以UCI標準數據庫中的數據進行數值實驗,采用ACO-SVM、PSO-SVM、ABC-SVM作為對比模型,實驗表明了IABC在SVM參數優(yōu)化中的可行性和有效性,具有較高的預測準確率和較好的算法穩(wěn)定性。
[Abstract]:In view of the lack of mathematical theory guidance for parameter optimization of support vector machines, the traditional artificial bee colony algorithm is easy to fall into long-term stagnation, while the chaotic search algorithm has good randomness and ergodicity. A parameter selection model of artificial bee swarm support vector machine (SVM) based on chaotic updating strategy is proposed in this paper. The model uses chaotic search to improve the search mode of reconnaissance bee. The efficiency of bee colony search is improved effectively. The numerical experiment is carried out on the data of UCI standard database, and ACO-SVMN PSO-SVMU ABC-SVM is used as a comparative model. The experiment shows the feasibility and effectiveness of IABC in the optimization of SVM parameters. It has higher prediction accuracy and better algorithm stability.
【作者單位】： 遼寧工程技術大學優(yōu)化與決策研究所;
【基金】：教育部高校博士學科科研基金聯合資助項目(20132121110009) 遼寧省教育廳基金(L2015208)
【分類號】：TP18

【參考文獻】

相關期刊論文 前10條

1 劉霞;張姍姍;胡銘鑒;龐永貴;;基于混沌機制的人工蜂群算法優(yōu)化的支持向量機分類器[J];計算技術與自動化;2015年02期

2 匡芳君;金忠;徐蔚鴻;張思揚;;Tent混沌人工蜂群與粒子群混合算法[J];控制與決策;2015年05期

3 王生生;楊娟娟;柴勝;;基于混沌鯰魚效應的人工蜂群算法及應用[J];電子學報;2014年09期

4 劉三陽;張平;朱明敏;;基于局部搜索的人工蜂群算法[J];控制與決策;2014年01期

5 匡芳君;徐蔚鴻;張思揚;;基于改進混沌粒子群的混合核SVM參數優(yōu)化及應用[J];計算機應用研究;2014年03期

6 杜占龍;譚業(yè)雙;甘彤;;基于混沌遺傳算法的SVM特征和參數優(yōu)化[J];計算機工程;2012年05期

7 陳治明;;改進的粒子群算法及其SVM參數優(yōu)化應用[J];計算機工程與應用;2011年10期

8 羅鈞;李研;;具有混沌搜索策略的蜂群優(yōu)化算法[J];控制與決策;2010年12期

9 趙明淵;唐勇;傅，

本文編號：1660072