基于改进涡流搜索算法的支持向量机分类模型

发布时间：2021-03-05 19:00

　　支持向量机（SVM:Support Vector Machine）是定义在特征空间上的间隔最大的线性分类器,参数的选择决定了其学习性能和泛化能力。针对此参数选择问题,采用改进的涡流搜索算法对支持向量机参数进行选择,寻找最优适应度函数。仿真实验表明,改进的涡流搜索算法是一种有效的SVM参数选择方法,有利于跳出局部最小值,其优化性能不低于涡流搜索算法。 

【文章来源】：吉林大学学报(信息科学版). 2020,38(03)

【文章页数】：7 页

【部分图文】：

涡流搜索中心的搜索过程

其中w为超平面的法向量，φ(x)代表对原始特征的变换，C>0为错分样本的惩罚因子，ξi≥0为松弛变量，b∈R为阈值。引入Lagrange函数，将二次规划问题转化为相应的对偶问题，即其中K(xi,xj)为核函数。支持向量机分类模型如图2所示。

MVS算法流程图

【参考文献】：
期刊论文
[1]微地震数据去噪方法综述[J]. 代丽艳,董宏丽,李学贵.  吉林大学学报(地球科学版). 2019(04)
[2]Rotated hyperbola model for smooth support vector machine for classification[J]. Wang En.  The Journal of China Universities of Posts and Telecommunications. 2018(04)
[3]分群涡流搜索优化算法[J]. 刘魏岩.  信息通信. 2018(04)
[4]量子彩色图像的频域滤波[J]. 李盼池,孙昊.  电子与信息学报. 2018(03)
[5]基于SVM新的情感计算方法[J]. 杨永健,聂瑜,吴洋,孙广志,杨仲尧.  吉林大学学报(信息科学版). 2017(04)
[6]人工蜂群算法优化支持向量机的传感器节点定位[J]. 陈海霞,王连明.  吉林大学学报(理学版). 2017(03)
[7]基于涡流搜索算法的过程支持向量回归机模型[J]. 李学贵,许少华,李娜,赵恩涛,郭昊.  吉林大学学报(信息科学版). 2017(03)
[8]量子衍生涡流搜索算法[J]. 李盼池,卢爱平.  控制与决策. 2016(06)



本文编号：3065698