基于差分进化算法的支持向量机参数选择

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (5): 24-26.

基于差分进化算法的支持向量机参数选择

陈涛，雍龙泉，邓方安，杨晓

陕西理工学院数学系，陕西汉中 723000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-11 发布日期:2011-02-11

Parameters selection of support vector machine based on differential evolution

CHEN Tao，YONG Longquan，DENG Fang’an，YANG Xiao

Department of Mathematics，Shaanxi University of Technology，Hanzhong，Shaanxi 723000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-11 Published:2011-02-11

摘要/Abstract

摘要： 支持向量机参数是影响其性能的重要因素，为了进一步提高支持向量机分类精度和泛化能力，提出了基于差分进化算法的SVM参数选择。以样本误判率最小为优化准则，利用差分进化算法对SVM参数进行优化选择。实验结果表明，利用差分进化算法选择SVM参数，加快了参数搜索的速度，提高了SVM分类精度，该方法具有良好的鲁棒性和较强的全局寻优能力。

关键词: 支持向量机, 差分进化算法, 参数选择

Abstract: Parameters of support vector machine are important factors to affect the performance of SVM.Parameters selection of SVM based on differential evolution is presented to improve the classification accuracy and generalization ability.Optimal rule is the least misjudgment rate of samples，and the parameters of SVM are optimized by using DE.The simulation results show that parameters selection based on DE can accelerate the pace of the search parameters and improve classification accuracy of SVM.It has good robustness and strong global search capability.

Key words: Support Vector Machine（SVM）, Differential Evolution（DE）, parameters selection

陈涛，雍龙泉，邓方安，杨晓. 基于差分进化算法的支持向量机参数选择[J]. 计算机工程与应用, 2011, 47(5): 24-26.

CHEN Tao，YONG Longquan，DENG Fang’an，YANG Xiao. Parameters selection of support vector machine based on differential evolution[J]. Computer Engineering and Applications, 2011, 47(5): 24-26.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[9]	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.
[10]	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.
[11]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.
[12]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[13]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[14]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[15]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.