改进网格搜索的支持向量机参数优化研究及应用

发布时间：2017-11-11 00:01

  本文关键词：改进网格搜索的支持向量机参数优化研究及应用

  更多相关文章： 支持向量机 网格搜索 参数优化 舆情情感分析

【摘要】：支持向量机(Support Vector Machine,SVM)作为数据挖掘中具有代表性的分类算法,是在统计学习理论的基础上发展起来的。SVM通过对已知样本信息的分析,寻找最优分类超平面,对未知数据进行分类,能较好地解决非线性、高维数、小样本学习问题。SVM的分类性能与其参数的选取密切相关,因此SVM的参数优化已经成为一个备受关注的研究课题。近年来,许多学者已提出或引入了诸如网格搜索算法、粒子群算法、遗传算法等SVM参数优化算法。然而,本文在对现有的SVM参数优化算法性能分析后发现,现有的SVM参数优化算法计算量大,尤其在面对数据规模较大的机器学习任务时,使得SVM建模过程较慢,从而导致SVM整体运行效率不高。针对以上问题,本文提出了一种改进的SVM参数优化算法——空间折半-变步长网格搜索算法(Half spaceVariable step Grid Search,HVGS)。该算法首先将预设搜索步长扩大L倍并在初始空间内进行第一次参数搜索,然后根据参数搜索结果,对初始空间进行折半并将步长缩小M倍,在折半的搜索空间内用较小的步长进行第二次参数搜索,重复这一过程并进行第三次参数搜索,并且使第三次参数搜索时搜索步长缩小N倍至预设步长。通过两次参数搜索空间的折半操作及三次步长的放缩操作,可以大幅提升参数的搜索效率从而减少SVM的整体运行时间。本文在利用属性标准化及主成分分析进行数据预处理的基础上,融合了所提出的HVGS,在MATLAB下构建了名为PHVSVM的支持向量机算法,并在UCI的Benchmark基准数据集上验证了PHVSVM的准确性与高效性。最后,将PHVSVM算法应用到网络舆情情感分析中,通过其在实际应用中的表现验证了该算法在保证情感分析查全率、查准率的前提下,大幅提高分析过程的速度,从而可以提升网络舆情情感分析的实时性。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18

【参考文献】

中国期刊全文数据库 前10条

1 刘春雨;朱倩男;郭满才;周晓飞;;双目标函数支持向量机在情感分析中的应用[J];微电子学与计算机;2016年01期

2 龚仁彬;朱文睿;丁建宇;;基于最小二乘支持向量机的示功图趋势预测[J];石油规划设计;2015年04期

3 曲健;陈红岩;刘文贞;李志彬;张兵;应亚宏;;基于改进网格搜索法的支持向量机在气体定量分析中的应用[J];传感技术学报;2015年05期

4 曹来成;梁浩;韩薇;董胜;;基于SVR对交通流中线性关联关系的分析与研究[J];计算机应用研究;2015年02期

5 匡芳君;徐蔚鸿;张思扬;;基于改进混沌粒子群的混合核SVM参数优化及应用[J];计算机应用研究;2014年03期

6 李凡;韩胜菊;王铀铀;张丹;;支持向量机在贝类疾病诊断中的应用研究[J];计算机仿真;2013年03期

7 于化龙;;主成分分析应用研究综述[J];经营管理者;2013年03期

8 张秋余;王道东;张墨逸;刘景满;;基于特征包支持向量机的手势识别[J];计算机应用;2012年12期

9 王健峰;张磊;陈国兴;何学文;;基于改进的网格搜索法的SVM参数优化[J];应用科技;2012年03期

10 申慧s，

本文编号：1168902