基于MATLAB軟件的LIBSVM的應用實例研究

寧必鋒

（吉林化工學院理學院，吉林 132022）

MATLAB（Matrix Laboratory，矩陣實驗室），目前是世界上應用最廣泛的科學與工程計算軟件。它提供一種交互式高級編程語言—M語言，筆者用M語言編程來展現MATLAB軟件的功能強、效率高、界面友好等特點[1]。

1 介紹LIBSVM軟件包[2]

LIBSVM是臺灣大學林智仁教授等開發設計的一個便捷、高效的支持向量機模式識別與回歸的軟件包，該軟件包對SVM所涉及的參數調節相對比較少，提供了很多的默認參數，利用這些默認參數就可以解決很多問題。

2 模型建立

（1）支持向量機（SVM）是由VAPNIK等[3]和HUANG等提出的一種基于結構風險最小化的統計學習方法。它能應用于很多領域，如材料性能預測。

（2）實驗數據初始化，主要分兩個過程：劃分初始化組和初始化。本文采用高斯型隸屬度函數，它能較準確的初始化信息數據，能最大限度涵蓋信息數據集[4]。

（3）粒子群優化算法(PSO)是1995年由KENNEDY和EBERHART提出的一種高效多維并行尋優算法。由于SVM依賴于誤差ε、誤差懲罰因子C和核函數參數γ，因此對參數進行優化很關鍵。所以用PSO來尋找最佳參數值。這里采用混沌序列進行PSO的離子位置初始化，加快搜索進程，不會出現局部最優解[5]。

3 算法流程[6]

Step5 達到最大迭代次數或達到最優解精度，得到全局最優解則停止迭代，否則k=k+1。

4 MATLAB軟件執行結果與討論分析

在工程材料中，某種新型材料以它特有的強度較高、斷裂韌性、機械加工等物理性能而廣泛地應用于框架型材等領域。因此合成此種材料的工藝參數與其物理性能之間的相關關系模型，一直以來都是研究熱點。

在Matlab軟件2018a版本下，調用了LIBSVM軟件包，經過對實驗數據的分析得出結論：本文優化算法得出最優解的精度高。對于材料的三個物理性能指標的預測模型的平均相對誤差(MRE)見表1，分別為：0.0203,0.0046,0.0213，與PLS-BPNN算法比較預測精度更高，能夠建立精確度較高的材料加工參數與物理性能指標之間的相關關系模型。同時也展示MATLAB軟件計算高效，功能強大。

表1 PSO-SVR與PLS-BPNN算法比較

5 結論

本文建立的優化模型，通過MATLAB軟件編程進行實驗數據分析和數值模擬，執行程序結果表明：模型建立準確，數值計算精度高，從而展現MATLAB軟件工程計算和數值模擬的強大功能。