基于粒子群參數優化的支持向量機方法

閻伸　張全

【摘 要】支持向量機是一種基于統計學習理論的機器學習方法。在傳統的支持向量機模型中，模型參數需要用試湊的辦法，本文中提出一個基于粒子群算法的參數選擇機制，這可以大大減少模型的運算時間。最后給出一個算例。

【關鍵詞】粒子群算法；支持向量機；參數選擇

A Support Vector Machine Method based on Particle Swarm Optimization

YAN Shen ZHANG Quan

（Department of Information Engineering，ShenYang University of Technology，Shenyang Liaoning 110870，China）

【Abstract】Support Vector Machine（SVM）is a new machine learning technique based on the statistical learning theory.In the traditional SVM model，we usually select the parameter by trial and error.In this paper，we propose a parameter optimization method based on PSO for SVM，it can reduce computing time obviousely.At last，a numerical example is proposed.

【Key words】PSO；SVM；Parameter selection

0 引言

期刊評價可以歸結為多屬性決策問題，即參考多個指標（或稱屬性）來評價期刊的質量[1]。期刊質量的等級分類往往需要計算期刊的綜合評價值，而且通常需要確定屬性的權重值與綜合評價值的函數形式。

基于支持向量機的非線性系統建模不須要事先對函數關系進行任何假設，通過其機器學習的過程達到對問題真實模型的逼近[2]，運用粒子群算法進行參數選擇，在不影響準確率的前提下，縮短運算時間。最后，通過算例可以看出算法的優勢。

1 支持向量機的參數

本文利用？著-SVR（Support Vector Regression）模型進行期刊評價問題的回歸擬合。

有三個參數需要給出，即？著-SVR的懲罰因子C、損失函數？著和RBF核函數里參數？酌的值。本文結合粒子群算法，對上述三個參數進行尋優。這里，要用到判斷模型擬合效果的指標：均方根誤差（mean square error，MSE）及平方相關系數r（squared correlation coefficient），通常，MSE的值越小，r 的值約接近1，則擬合的效果越好。

2 算例分析

c=1.2779，g=0.1000，p=0.0100。同時，訓練集和測試集的MSE分別為0.0001和0.0088，平方相關系數分別為0.9997和0.7119。20個期刊的綜合評價值，分別為9.918、9.734、10.802、9.626、7.972、8.874、6.757、5.820、5.850、4.910、4.765、6.468、5.112、5.719、4.090、4.270、3.840、4.141、4.228、4.724，因此，得出20個期刊的排序結果為：S3>S1>S2>S4>S6>S5>S7>S12>S9>S8>S14>S13>S10>S11>S20>S16>S19>S18>S15>S17。

3 結論

本文提出了基于粒子群算法參數尋優的支持向量機擬合方法。解決了在期刊等級評價過程中需要人為給出屬性權重值以及選擇綜合評價值計算模型的主觀因素，達到了完全根據客觀數據來確定期刊綜合評價值與其排序的效果。

【參考文獻】

[1]邱均平，武慶圓，劉霞.《中國學術期刊評價研究報告》的特色、做法和結果分析[J].評價與管理，2011，9（2）：29-34.

[2]鄧乃揚，田英杰.數據挖掘中的新方法—支持向量機[M].北京：科學出版社，2004.

[責任編輯：田吉捷]