改进鸟群算法用于SVM参数选择

发布时间：2018-02-02 10:09

  本文关键词： 改进的鸟群算法 支持向量机 参数选择 学习系数 仿真　出处：《计算机工程与设计》2017年12期 　论文类型：期刊论文

【摘要】：为能够自动地获得支持向量机(SVM)中核参数σ和惩罚系数C的最佳值,提出以改进的鸟群优化算法(IBSO)为基础的SVM参数选择方法。IBSO与传统鸟群算法(BSO)相比,在觅食行为中加入鸟群自我的学习系数,对飞行行为中乞食者的位置更新方式进行更改。实例仿真计算结果表明,与其它算法相比,该方法可以快速确定SVM中参数的最优值,有效降低了算法的时间复杂度,提高了算法的全局搜索能力,具有良好的鲁棒性。
[Abstract]:In order to automatically obtain the best value of kernel parameter 蟽 and penalty coefficient C in support vector machine (SVM). SVM parameter selection method based on improved bird swarm optimization algorithm (IBSO) is proposed. Compared with the traditional bird swarm algorithm (BSO), the learning coefficient of bird swarm self is added to the feeding behavior. The location updating method of beggars in flight behavior is changed. The simulation results show that compared with other algorithms, this method can quickly determine the optimal value of the parameters in SVM. It reduces the time complexity of the algorithm and improves the global searching ability of the algorithm.
【作者单位】： 沈阳航空航天大学计算机学院;沈阳航空航天大学理学院;
【基金】：国家自然科学基金项目(11371255)
【分类号】：TP18
【正文快照】： 0引言目前,支持向量机(support vector machines,SVM)[1-3]参数选择算法主要有蚁群算法(ant colony optimi-zation,ACO)[4,5]、梯度下降法(gradient descend,GD)、正交法、遗传算法(genetic algorithm,GA)、粒子群优化算法(particle swarm optimization,PSO)[6,7]等。鸟群算法

【相似文献】

相关期刊论文 前10条

1 陈允明,朱清文;高频等离子炬的设计原则与参数选择[J];力学与实践;1985年05期

2 刘春波;王鲜芳;潘丰;;基于蚁群优化算法的支持向量机参数选择及仿真[J];中南大学学报(自然科学版);2008年06期

3 林连雷;姜守达;刘晓东;;基于微分进化算法的SVM参数选择[J];哈尔滨工程大学学报;2009年02期

4 冯振华;杨洁明;;SVM回归的参数选择探讨[J];机械工程与自动化;2007年03期

5 黄少荣;;蚁群算法的参数选择研究[J];电脑知识与技术;2010年20期

6 王永初;鲁棒 PID 调节系统的参数选择[J];工业仪表与自动化装置;1999年01期

7 朱习军;数字PID控制器参数选择[J];泰安师专学报;2000年06期

8 王萍;田翔;;SVM分类算法参数选择研究[J];牡丹江大学学报;2007年11期

9 宋小杉;蒋晓瑜;罗建华;汪熙;;基于结构风险上界的SVM参数选择[J];科技导报;2011年08期

10 金自翔;戴新宇;陈家骏;;一种基于贪婪算法的KNN参数选择策略[J];广西师范大学学报(自然科学版);2008年01期

相关会议论文 前10条

1 廖静娟;郭华东;邵芸;王长林;;RICESAT系统参数选择[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

2 王红军;徐小力;付瑶;;基于SVM的旋转机械故障诊断知识获取[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年

3 陈兆基;杨宏晖;杜方键;;用于水下目标识别的选择性SVM集成算法[A];中国声学学会水声学分会2011年全国水声学学术会议论文集[C];2011年

4 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

5 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

6 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

7 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

8 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

9 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

10 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

相关博士学位论文 前10条

1 刘晓峰;面向抗噪语音识别的SVM关键问题研究[D];太原理工大学;2014年

2 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年

3 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年

4 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年

5 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年

6 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

7 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年

8 闫辛;半监督支持向量机模型与算法研究[D];上海大学;2016年

9 陈素根;非平行平面支持向量机及特征提取中若干问题研究[D];江南大学;2016年

10 刘大莲;大规模稀疏支持向量机算法研究[D];北京交通大学;2017年

相关硕士学位论文 前10条

1 张晓丹;WSN中基于改进粒子群优化算法的分簇拓扑算法研究[D];郑州大学;2017年

2 贾yN恺;基于深度特征学习的目标检测与跟踪算法研究[D];西安科技大学;2017年

3 王静;SVM在参数选择上的优化[D];兰州理工大学;2008年

4 杨刘;基于PCA与SVM的地力评价研究[D];中南林业科技大学;2015年

5 姚磊;基于SVM主动学习的音乐分类[D];南京邮电大学;2015年

6 林志杰;基于二叉平衡决策树的SVM多分类算法的改进[D];福州大学;2014年

7 王静涛;基于SVM的增量式音乐风格分类研究[D];南京邮电大学;2016年

8 邵欣蔚;基于SVM+算法的儿童社区获得性肺炎早期诊断研究[D];华东师范大学;2017年

9 张永俊;基于SVM的增量入侵检测方法研究[D];西安科技大学;2013年

10 童设坤;SVR的参数选择及其应用[D];江南大学;2009年

，

本文编号：1484266