基于蚁群优化算法的支持向量机参数选择及仿真.pdfVIP

第39卷第6期 中南大学学报(自然科学版) 、，01I39 No．6 2008年 12月 J．Cent．SouthUniv．(ScienceandTechnology) Dec．2008 基于蚁群优化算法的支持向量机参数选择及仿真 刘春波，王鲜芳，潘 丰 (江南大学 通信与控制工程学院，江苏 无锡，214122) 摘 要：基于支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取，以蚁群优化算法为基 础，给出支持向量回归机参数优化的一种新方法。该方法以最小化k-fold交叉验证误差为 目标，对支持向量回归 机中的核参数盯和惩罚系数C由蚁群系统中的节点值体现，数值的优选通过蚂蚁对最优路径的选择进行确定。计 算机仿真结果表明：与正交法、遗传算法等相比，该方法在参数优化方面有 良好的鲁棒性能和较强的全局有哪些信誉好的足球投注网站能 力；该方法用于青霉素发酵过程的建模研究，建模精度较高。 关键词：蚁群算法；支持向量回归机；参数选择；优化 中图分类号：TP391．9 文献标识码：A 文章编号：1672—72O7(2o08)06—1309—05 Parametersselectionandstimulationofsupportvectormachines basedonantcolonyoptimizationalgorithm LIU Chun-bo，WANG Xian-fang，PAN Feng (SchoolofCommunicationsandControlEngineering，JiangnanUniversity，Wuxi214122，China) Abstract：Basedonthefactthattheregressionaccuracyandgeneralizationperformanceofthesupportvectorregression (SVR)modelsdependonapropersettingofitsparameters，anewtrialwasappliedinparametersselection．Thenew optimalselectionapproachofSVRpraameterswasputforwardbasedonantcolonyoptimization(ACO)algorithm．The k-foldcross—validationerrorwasusedasthefitnessfunctionofACO．Thenodevaluesinantsystemwerereflectedbyhte kernelparameter andregularizationparameterC ofSVR．Theoptimalvaluesareequaltothoseofthebestroutewhich aredecidedbyants．Simulationresultsshow thathteoptimalselectionapproachbasedonACOhasgoodrobustnessand strongglobalserachcapability．Themethodusedfortheresearchofmodelinginthepenicillinfemr entprocessobtains higheraccuracy． Keywords：antcolonyalgorithm ；supportvectorregression；parametersselection；optimization 支持 向量机 l【一](Supportvectormachines，SVM)是 选择的方法，对支持向量机的发展有很重要的实际意 一 种基于统计学习理论的机器学习方法，能较好地用 义。通常，支持向量机参数选择的方法有正交法、梯 于解决小样