基于改進粒子群算法的支持向量機參數(shù)優(yōu)化及應用

摘 要：提出了一種改進粒子群優(yōu)化算法，將其應用于支持向量機參數(shù)的優(yōu)化設計。將改進粒子群優(yōu)化的支持向量機用于磨礦粒度軟測量，建立了基于改進粒子群算法的支持向量機磨礦粒度軟測量模型，工業(yè)試驗結果表明該模型具有較高的精度和良好的性能。

關鍵詞：支持向量機（SVM）；軟測量；磨礦粒度

1.引言：支持向量機 （support vector machines， SVM）是上世紀90年代提出一種基于統(tǒng)計學習理論的機器學習方法，這種方法應用結構風險最小化理論，能較好地解決小樣本、非線性等實際問題。支持向量機最初應用于模式識別，隨后在函數(shù)逼近、模型預測等領域也得到了廣泛的發(fā)展。實踐表明，SVM的性能與核函數(shù)的類型、核函數(shù)的參數(shù)以及懲罰系數(shù)C有很大關系。目前，一些學者將遺傳算法、蟻群算法及粒子群算法等仿生進化算法應用于SVM參數(shù)的優(yōu)化問題，但也存在一定的不足。遺傳算法存在收斂速度慢，變異、交叉概率無法確定等缺點；蟻群算法實現(xiàn)相對復雜且不適于處理實優(yōu)化問題；粒子群算法雖然結構簡單，容易實現(xiàn)，但當參數(shù)空間非常復雜的情況下由于初始值設定不當可能會陷入局部極小。有些學者提出將其它優(yōu)化算法與粒子群算法結合的混合算法，但無疑增加了算法的復雜性。同時對粒子群的全局和局部性質進行改進的混合算法較少。

2.改進的粒子群優(yōu)化算法

2.1 粒子群優(yōu)化算法

參考文獻：

[1] 邢桂華，朱慶保.基于蟻群算法的RBF網(wǎng)絡參數(shù)的兩階段優(yōu)化[J].計算機工程與應用，2005，27（4）：56-59

[2] 李紅利，張曉彤，蘭立柱等.基于遺傳算法的RBF神經(jīng)網(wǎng)絡的優(yōu)化設計方法[J].計算機仿真，2003，20（11）：67-69