论文部分内容阅读
支持向量机(Support Vector Machine, SVM)是在统计学习理论(Statistical Learning Theory, SLT)基础上发展起来的一种具有优良性能的学习机器,它根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期望获得最好的推广能力。支持向量机始终存在的一个问题是它的执行效果依赖于参数的设置,其中包括惩罚因子和核参数,但却没有一个合适的理论来指导如何寻找适应于具体的样本数据的参数。参数选择是支持向量机研究领域的重要问题,其本质就是一个优化搜索的过程。粒子群优化算法(Particle Swarm Optimization, PSO)是群体智能一个新的分支,由Kennedy和Eberhart于1995年首次提出,源于对鸟群捕食行为的研究。该算法是通过个体间的协作来寻找最优解,它简单、易行、并且容易实现,但算法也存在着容易陷入局部最优和过早收敛等问题。基于这种现象,后人将标准粒子群优化算法与粒子滤波器(Particle Filter, PF)结合起来,形成了粒子滤波器优化算法(Particle Filter Optimization,PFO),并通过实验验证得知,该算法在寻优速度和最终适应值方面要好于标准的粒子群优化算法。本文首先分析了支持向量机模型中核参数和惩罚因子对模型的影响,对已有的参数优化方法进行了简要介绍：然后在基于标准的粒子群优化算法的支持向量机参数优化方法(PSO-SVM)的基础上,提出了基于改进的粒子群算法的支持向量机参数优化方法(PFO-SVM);最后,先用两种不同的优化算法选择出最优参数,然后在MIT-BIH心电数据库上选择样本数据进行分类实验,经过对比SVM, PSO-SVM, PFO-SVM分类器对心电图数据分类正确率和运行时间,表明PFO算法具有强劲的全局搜索能力,对提高分类模型准确率有较大的贡献。