支持向量机SVM(Support Vector Machine)是一种典型的核机器学习方法,核函数及其参数的选择直接影响着SVM分类器的性能。SVM的全局性核函数泛化性能强、学习能力弱,而局部性核函数学习能力强、泛化性能弱。将两类核函数混合是目前较常见的一种SVM核函数构造方法。引入混合核函数后的SVM多了一个新的可调参数,即权系数。有关混合核SVM的参数寻优一般只针对惩罚因子和核参数,以及对混合核中的权系数通常取经验值,这种参数选取无法达到全局最优。因此,本文对混合核SVM中所有参数进行综合寻优研究。本文所做的工作如下:(1)采用动量粒子群算法对混合核SVM参数进行优化。针对基本粒子群算法存在进化后期收敛速度缓慢,易产生振荡的缺陷,引入动量项,构造动量粒子群算法,以有效提高算法的收敛速度及部分避免其后期振荡的发生。将其用于混合核SVM参数优化中,通过对UCI中的数据集分类,得出该算法能有效提取最佳参数组合,使所得SVM泛化能力有所提高,进化速度快于基本粒子群算法,测试所得分类准确率优于其他常见的分类算法。(2)采用改进的遗传算法对混合核SVM参数进行优化。该算法利用混沌初始化种群,以在初始种群中产生更多有效基因型,保证种群多样性,有效缓解其陷入局部最优现象的发生;进行遗传操作时,采用一种自适应的交叉、变异算子不仅能较好保证群体多样性,而且能有效提高算法收敛速度。将其用于混合核SVM参数寻优中,通过Matlab编程,实现UCI数据集分类和车辆前方障碍物识别。最后与其他算法对比,验证该算法能较好提取最佳参数组合,在应用于分类识别问题时得到了较高的分类识别精度。