乌鸦搜索算法在SVM参数优化中的应用

发布时间：2021-01-31 00:08

　　参数的选择对支持向量机（SVM）分类精度和泛化能力有至关重要的影响,而群体智能算法近年来在参数优化方面应用广泛,在此背景下提出CSA-SVM模型。该模型将分类准确率作为目标函数,利用乌鸦搜索算法（CSA）求得SVM的最优参数组合。为了验证CSA-SVM模型的分类性能,将该模型应用于6个标准分类数据集,并分别与遗传算法（GA）和粒子群（PSO）算法优化后的SVM模型进行性能比较。实验结果表明,CSA算法在SVM参数选择中具有更好地寻优能力和更快地寻优速度,CSA-SVM模型具有较高的分类准确率。 

【文章来源】：计算机工程与应用. 2019,55(21)北大核心

【文章页数】：6 页

【部分图文】：

三种模型关于数据集Ionospbere(D1)上的对比结果

02三种模型关于数据集Ionosphere（D1）上的对比结果图3三种模型关于数据集Wine（D2）上的对比结果图102030405060708090100迭代次数1.000.950.900.850.800.750.700.650.60适应度CSA-SVMGA-SVMPSO-SVM0D{102030405060708090100迭代次数1.000.950.900.850.800.750.70适应度CSA-SVMGA-SVMPSO-SVM0图5三种模型关于数据集BreastCancer（D4）上的对比结果°(102030405060708090100迭代次数CSA-SVMGA-SVMPSO-SVM1.00.80.60.40.2适应度0图4三种模型关于数据集Iris（D3）上的对比结果102030405060708090100迭代次数CSA-SVMGA-SVMPSO-SVM1.00.90.80.70.60.50.40.3适应度0图7三种模型关于数据集Glass（D6）上的对比结果0I102030405060708090100迭代次数1.000.950.900.850.800.750.70适应度CSA-SVMGA-SVMPSO-SVM0图6三种模型关于数据集Parkinson（D5）上的对比结果王丽婷，等：乌鸦搜索算法在SVM参数优化中的应用217

PSO-SVM0图5三种模型关于数据集BreastCancer（D4）上的对比结果°(102030405060708090100迭代次数CSA-SVMGA-SVMPSO-SVM1.00.80.60.40.2适应度0图4三种模型关于数据集Iris（D3）上的对比结果102030405060708090100迭代次数CSA-SVMGA-SVMPSO-SVM1.00.90.80.70.60.50.40.3适应度0图7三种模型关于数据集Glass（D6）上的对比结果0I102030405060708090100迭代次数1.000.950.900.850.800.750.70适应度CSA-SVMGA-SVMPSO-SVM0图6三种模型关于数据集Parkinson（D5）上的对比结果王丽婷，等：乌鸦搜索算法在SVM参数优化中的应用217

【参考文献】：
期刊论文
[1]改进人工鱼群算法在SVM参数优化中的应用[J]. 邱云飞,李智义.  计算机工程与科学. 2018(11)
[2]基于粒子群算法的支持向量机的参数优化[J]. 陈晋音,熊晖,郑海斌.  计算机科学. 2018(06)
[3]基于改进PSO算法的混合核SVM算法[J]. 徐中宇,苏明玉,姚庆安.  吉林大学学报(理学版). 2018(03)
[4]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春.  智能系统学报. 2018(01)
[5]基于改进网格搜索算法的随机森林参数优化[J]. 温博文,董文瀚,解武杰,马骏.  计算机工程与应用. 2018(10)
[6]融合改进遗传和人工蜂群的SVM参数优化算法[J]. 高雷阜,佟盼.  计算机工程与应用. 2016(18)
[7]耦合人工鱼群算法在支持向量机参数优化中的应用[J]. 高雷阜,赵世杰,高鼎.  小型微型计算机系统. 2015(01)
[8]牛顿法在求解支持向量机中的应用[J]. 张新新,候明,范丽亚.  聊城大学学报(自然科学版). 2014(04)
[9]改进蚁群算法在SVM参数优化研究中的应用[J]. 高雷阜,张秀丽,王飞.  计算机工程与应用. 2015(13)
[10]基于蜜蜂算法的支持向量机特征选择和参数优化[J]. 陈渊,马宏伟.  组合机床与自动化加工技术. 2013(11)

硕士论文
[1]基于改进随机梯度下降算法的SVM[D]. 金钊.河北大学 2017



本文编号：3009836