一种双线性分段二分网格搜索SVM最优参数方法

发布时间：2021-10-05 10:55

　　提出了一种双线性分段二分网格搜索方法来确定SVM模型的最优参数。首先,在初始搜索范围内,以等间隔固定取样值,对惩罚因子进行采样,分别计算这些取样点的SVM的交叉验证正确率,并寻找出满足交叉验证最高正确率所对应的惩罚因子,确定搜索SVM最佳参数的最佳搜索段;然后,在搜索段间分段采用二分法,迭代求解出每段SVM的最高正确率,已得到所对应的最佳参数;最后,找出所有最佳搜索段的SVM最高正确率的最大值,其对应的最佳参数即为SVM模型参数优化结果。与传统的双线性法、网格搜索法和双线性网格搜索法等方法相比,论文提出的参数优化方法训练量小,计算简单,学习精度高,优选的参数能够使得SVM具有更高的泛化性能。 

【文章来源】：计算机与数字工程. 2020,48(09)

【文章页数】：6 页

【参考文献】：
期刊论文
[1]基于AOSVR的交通流预测及参数选择[J]. 王凡,谭国真,杨际祥,邓超.  小型微型计算机系统. 2010(06)
[2]基于K-L变换和支持向量机的三维肺结节识别[J]. 刘阳,赵大哲,刘积仁.  东北大学学报(自然科学版). 2009(09)
[3]支持向量机最优参数选择的研究[J]. 刘东辉,卞建鹏,付平,刘智青.  河北科技大学学报. 2009(01)
[4]基于遗传算法对支持向量机模型中参数优化[J]. 袁玉萍,胡亮,周志坚.  计算机工程与设计. 2008(19)
[5]基于支持向量机的自适应图像水印技术[J]. 李春花,凌贺飞,卢正鼎.  计算机研究与发展. 2007(08)
[6]基于RBF核函数的支持向量机参数选择[J]. 林升梁,刘志.  浙江工业大学学报. 2007(02)
[7]基于RBF核的SVM学习算法的优化计算[J]. 李琳,张晓龙.  计算机工程与应用. 2006(29)
[8]线性支持向量机优化问题的极大熵方法[J]. 郭崇慧,孙建涛,陆玉昌,唐焕文.  小型微型计算机系统. 2006(07)
[9]用支持向量机进行中文地名识别的研究[J]. 李丽双,黄德根,陈春荣,杨元生.  小型微型计算机系统. 2005(08)
[10]基于支持向量机方法的人脸识别研究[J]. 刘向东,陈兆乾.  小型微型计算机系统. 2004(12)



本文编号：3419592