基于IGA的支持向量机特征子集选择和参数优化

doi:10.3778/j.issn.1002-8331.2008.22.010

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (22): 35-38.DOI: 10.3778/j.issn.1002-8331.2008.22.010

基于IGA的支持向量机特征子集选择和参数优化

郝艳友^1,2,迟忠先¹,李克秋¹,张永³

1.大连理工大学计算机科学与工程系，辽宁大连 116024
2.中国建设银行大连市分行科技部，辽宁大连 116011
3.辽宁师范大学计算机系，辽宁大连 116029

收稿日期:2008-03-20 修回日期:2008-04-23 出版日期:2008-07-11 发布日期:2008-07-11
通讯作者: 郝艳友

IGA-based feature subset selection and parameters optimization for support vector machines

HAO Yan-you^1,2,CHI Zhong-xian¹,LI Ke-qiu¹,ZHANG Yong³

1.Department of Computer Science and Engineering，Dalian University of Technology，Dalian，Liaoning 116024，China
2.Dalian Branch，China Construction Bank，Dalian，Liaoning 116011，China
3.Department of Computer，Liaoning Normal University，Dalian，Liaoning 116029，China

Received:2008-03-20 Revised:2008-04-23 Online:2008-07-11 Published:2008-07-11
Contact: HAO Yan-you

摘要/Abstract

摘要： 特征子集选择和训练参数的优化一直是SVM研究中的两个重要方面，选择合适的特征和合理的训练参数可以提高SVM分类器的性能，以往的研究是将两个问题分别进行解决。随着遗传优化等自然计算技术在人工智能领域的应用，开始出现特征选择及参数的同时优化研究。研究采用免疫遗传算法（IGA）对特征选择及SVM 参数的同时优化，提出了一种IGA-SVM 算法。实验表明，该方法可找出合适的特征子集及SVM 参数，并取得较好的分类效果，证明算法的有效性。

关键词: 支持向量机, 特征选择, 参数优化, 免疫遗传算法

Abstract: Feature selection and parameter optimization are two important aspects for improving classifier performance.However，they are solved separately traditionally.Recently，with the wide applications of evolutionary computation in pattern recognition area，simultaneous feature selection and parameter optimization become possible and tendency.To solve this problem，a simultaneous feature selection and SVM parameter optimization algorithm based on Immune GA algorithm is proposed，named as IGA-SVM.The experimental results show that the algorithm can efficiently find the suitable feature subsets and SVM parameters，which result in a good classification performance.

Key words: Support Vector Machine（SVM）, feature selection, parameters optimization, Immune Genetic Algorithm（IGA）

郝艳友^1,2,迟忠先¹,李克秋¹,张永³. 基于IGA的支持向量机特征子集选择和参数优化[J]. 计算机工程与应用, 2008, 44(22): 35-38.

HAO Yan-you^1,2,CHI Zhong-xian¹,LI Ke-qiu¹,ZHANG Yong³. IGA-based feature subset selection and parameters optimization for support vector machines[J]. Computer Engineering and Applications, 2008, 44(22): 35-38.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[3]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[4]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[5]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[6]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[7]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[8]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[9]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[10]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[11]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[12]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[13]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[14]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[15]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.

基于IGA的支持向量机特征子集选择和参数优化

IGA-based feature subset selection and parameters optimization for support vector machines

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics