基于改进粒子群算法的支持向量机

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (15): 44-46.

基于改进粒子群算法的支持向量机

周涛^1，2，张艳宁¹，袁和金¹，邓方安²，陆惠玲³

1.西北工业大学计算机学院，西安 710072
2.陕西理工学院数学系，陕西汉中　723000
3.陕西理工学院计算机系，陕西汉中　723000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-05-21 发布日期:2007-05-21
通讯作者: 周涛

SVM based on improvement Particle Swarm Optimization Algorithm

ZHOU Tao^1，2，ZHANG Yan-ning¹，YUAN He-jin¹，DENG Fang-an²，LU Hui-ling³

1.School of Computer，Northwestern Polytechnical University，Xi’an 710072，China
2.Department of Maths，Shaanxi University of Technology，Hanzhong，Shaanxi 723000，China
3.Department of Computer，Shaanxi University of Technology，Hanzhong，Shaanxi 723000，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-05-21 Published:2007-05-21
Contact: ZHOU Tao

摘要/Abstract

摘要： 对求解含线性约束优化问题的粒子群算法（LPSO）进行了改进，给出了应用其训练支持向量机（SVM）的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动，能够较好地调整算法的全局与局部搜索能力之间的平衡。对双螺旋问题的分类实验表明本文提出的方法稳定性好，训练出的SVM具有较高的分类正确率。

关键词: 支持向量机, 粒子群优化算法, 惯性权重策略

Abstract: Some improvements on the particle swarm optimizer for linearly constrained optimization are put forward.And the method using this improvement algorithm to train Support Vector Machine is presented.An adaptive disturbance based on the population convergence speed is added to the linearly decreasing inertia weight strategy，by which the balance between global and local exploration is adjusted suitably.The experiments on two-spiral problem shows that the algorithm is feasible and robust for support vector machine training.

Key words: Support Vector Machine（SVM）, Particle Swarm Optimization（PSO）, inertia weight strategy

周涛^1，2，张艳宁¹，袁和金¹，邓方安²，陆惠玲³. 基于改进粒子群算法的支持向量机[J]. 计算机工程与应用, 2007, 43(15): 44-46.

ZHOU Tao^1，2，ZHANG Yan-ning¹，YUAN He-jin¹，DENG Fang-an²，LU Hui-ling³. SVM based on improvement Particle Swarm Optimization Algorithm[J]. Computer Engineering and Applications, 2007, 43(15): 44-46.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	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.
[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]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[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.