基于RBF核的SVM核参数优化算法

董国君; 哈力木拉提·买买提; 余辉

您当前的位置：

首页 >

文章列表页 >

基于RBF核的SVM核参数优化算法

生态·资源·环境 | 更新时间：2026-01-21

- 基于RBF核的SVM核参数优化算法
- 基于RBF核的SVM核参数优化算法
- 新疆大学学报（自然科学版中英文） 2009年26卷第3期页码：355-358
- 作者机构：
  
  新疆大学信息科学与工程学院
- 作者简介：
- 基金信息：
- DOI：
  中图分类号： TP18
- 纸质出版：2009
- 稿件说明：
移动端阅览
[1]董国君,哈力木拉提·买买提,余辉.基于RBF核的SVM核参数优化算法[J].新疆大学学报(自然科学版),2009,26(03):355-358+363.

董国君, 哈力木拉提·买买提, 余辉. 基于RBF核的SVM核参数优化算法[J]. Journal of Xinjiang University (Natural Science Edition in Chinese and English), 2009, 26(3): 355-358.
[1]董国君,哈力木拉提·买买提,余辉.基于RBF核的SVM核参数优化算法[J].新疆大学学报(自然科学版),2009,26(03):355-358+363. DOI：

董国君, 哈力木拉提·买买提, 余辉. 基于RBF核的SVM核参数优化算法[J]. Journal of Xinjiang University (Natural Science Edition in Chinese and English), 2009, 26(3): 355-358. DOI：

摘要

SVM是一种新型的机器学习方法

其分类性能的优劣主要受核函数及核参数的影响

国内外学者针对SVM核参数的选择已提出许多算法.本文首先分析了RBF核参数对SVM分类性能的影响

然后又对比分析了目前存在的几种基于RBF核的SVM核参数选择方法.通过实验

发现使用遗传算法选择核参数的SVM有比较快的搜索速度.

Abstract

Support vector machine(SVM) is a new kind of machine learning methods

whose classification performance is affected by kernel function and kernel parameters.Nowadays some researchers have proposed many algorithms about choosing kernel parameters.This paper emphasizes on analyzing kernel parameters choice algorithms of SVM with RBF kernel.The paper finds that genetic algorithm which is used in choosing kernel parameters could improve search velocity of SVM.

关键词

Keywords

references

边肇祺,张学工,编著.模式识别[M],第二版。北京:清华大学出版社,2000,284-304.

Vladimir N.Vapnik著,张学工译.统计学习理论的本质[M].北京:清华大学出版社,2000,105-120.

Goldsmith A J,Chua S G.Variable-rate Variable-power Mqam for Fading Channels[J].IEEE Trans.on Communications, 1997,45(10):1218-1230.

侯伟真,潘美芹.高斯核支持向量机最优模型参数选择搜索算法[J].中国运筹学会第八届学术交流会议文集,2006ORSC, 716-722.

林升梁,刘志.基于RBF核函数的支持向量机参数选择[J].浙江工业大学学报,2007,35(2):163-167.

Chapelle O,Vapnik V,Busquet O,et al.Choosing multiple parameters for support vector machines[J].Machine Learning, 2002,46(1-3):131-159.

葛洪伟,杨小艳,张彦锋.拟牛顿算法在SVM内核优化中的应用[J].2007,33(8):193-195.

Gold C,Sollich P.Model selection for support vector machine classification[J].Neurocomputing,2003,55(1/2):221-249.

陈果.基于遗传算法的支持向量机分类器模型参数优化[J].机械科学与技术,2007,26(3):347-450.

王鹏,朱小燕.基于RBF核的SVM的模型选择及其应用[J].计算机工程与应用,2003,24:20-30.

李琳,张晓龙.基于RBF核的SVM学习算法的优化计算[J].计算机工程与应用,2006,29:25-35.

刘胜,李研研.自适应GA-SVM参数选择算法研究[J].哈尔滨工程大学学报,2007,28(4):398-402.

齐志泉,田英杰,徐志洁.支持向量机中的核参数选择问题[J].控制工程,2005,12(4):379-381.

浏览量

581

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于MEVMD与GA-CNN+LSTM的NO_x浓度动态预测模型研究

Rh_n(n=3～57)团簇基态物性的遗传算法研究(英文)

配电网无功补偿容量及位置的优化研究

一种基于高阶互累计量的遗传盲反卷积算法

遗传算法在瞬变电磁深度学习反演中的优化策略