粒子群算法优化双核支持向量机及应用.pdfVIP

第 34卷第 3期 振动、测试与诊断 VoL34No．3 2014年 6月 JournalofVibration．Measurement Diagnosis Jun．2014 粒子群算法优化双核支持向量机及应用 聂立新 ， 张天侠 ， 赵 波 (1．东北大学机械工程与 自动化学院 沈阳，110819) (2．河南理工大学机械与动力工程学院 焦作 ，454O0O) 摘要 针对支持 向量机核函数和控制参数选取难度较大的问题 ，提 出了一种主动划分参数区间的双尺度径 向基核 支持向量机 ，并用并行定向变异混合粒子群优化算法选取其控制参数 。试验分析 了利用标准数据集经多次独立重 复试验得到的均值等统计量 ，验证、测试了上述支持 向量机模型 ，同时考虑 了类 间数据不平衡 的影响。结果表 明， 双尺度径 向基核函数 的性能在多数情况下优于单径 向基核函数 ，并行定 向变异的混合粒子群优化算法优于标准粒 子群优化算法 ，能够有效抑制早熟收敛 ，有利于有哪些信誉好的足球投注网站到更优 的支持向量机控制参数 。 关键词 支持 向量机 ；双尺度核函数 ；粒子群优化算法 ；参数优化 ；故障诊断 中图分类号 TH165．3 {(z1，Y1)，…，(z， )，… ，(zf，Yz))∈ X ×Y ，其 引 言 中：32属于输入空间X R ； 属于输出空间y R 。通过一个非线性映射 支持 向量机[1(supportvectormachine，简称 X — F ： SVM)是一种基于统计学 的VC维理论和结构风险 z (z) (1) 最小化原理的小样本学习方法 ，在模式分类上具有 将原空间输入数据 映射到新 的特征空间 F= 良好的泛化性能。支持 向量机的理论基础已经较为 {()l ∈X}，其中：F R 。该映射将原空间 完善 ，但在具体应用 中，必须慎重处理如何选择核 函 数据集转化为特征空间的数据集 数和控制参数的问题。常用的核 函数有多项式核 函 S 一{( (z1)，1)，…，( ( )，Y)，… ，( (z)，Y)} 数 、径 向基核函数以及多层感知器核函数等三种_2， ∈ F ×Y (2) 针对不 同的数据集 ，核 函数的表现也不尽相 同。以 核方法利用上述映射将原空间非线性可分的问 支持向量机的交叉验证正分率为 目标函数 ，使用常 题转化为特征空间线性可分或近似线性可分的问 用 的优化方法均可有哪些信誉好的足球投注网站到支持向量机控制参数 的较 优值 ，但未必是全局最优解。 题 ，并且可分性 的优劣取决于核 函数的选取是否合 笔者提出了一种用并行定向变异粒子群优化算 适 。目前 ，核函数选取的研究主要有 3个方面。 法去优选双尺度径向基核支持向量机的控制参数的 1)构造特定的单核函数。文献E43则将小波核 方法 ，用标准数据集验证 了该方法 的效果 ，并应用于 函数用于支持 向量机 的决策和分类