论文部分内容阅读
SVM是一种新的模式分类技术,已经在许多领域得到广泛的应用。特征选择和分类器参数优化是提高SVM性能的两个重要方面,传统上这两个问题是分开解决的。然而这两个问题是相互影响的,获取最佳特征子集和获取最优参数应该同步进行。随着进化优化计算技术在模式识别领域的广泛应用,编码上的灵活性使得特征选择及参数的同步优化成为一种可能和趋势。
为解决SVM的特征选择和参数优化问题,本文提出了一种基于连续PSO算法的特征选择和SVM参数同步优化算法(CPSO-SVM),其目标是在尽可能提高SVM分类精度的同时,选择尽可能少的特征数目。在真实数据集上的实验研究表明,CPSO-SVM算法具有原始SVM算法所不具备的特征选择能力,能显著提高SVM的分类能力(包括更高的分类精度和更好的均衡性),而且从分类器的整个生命周期来看,具有更高的效率。与Huang C-L等[12]所提出的基于GA的算法相比,CPSO-SVM算法在分类能力和特征性选择能力上毫不逊色,而且效率更高。因此,CPSO-SVM算法具有较好的分类能力、特征选择能力和效率,是一种有效的算法。
鉴于特征选择在SVM分类问题上的重要性,以及离散PSO算法比连续PSO算法更适合处理特征选择这种组合优化问题,本文在CPSO-SVM算法的基础上,提出了一种基于离散PSO算法的特征选择和SVM参数同步优化算法(DPSO-SVM),旨在提高CPSO-SVM算法的特征选择能力。在真实数据集上的实验研究表明,DPSO-SVM算法在分类能力(指分类器精度和均衡性)和算法效率方面不亚于CPSO-SVM算法,并且具有更强的特征选择能力,能够在不影响分类效果的前提下,选出更少的特征数目。总的来说,本文运用PSO算法同步解决SVM的特征选择和参数优化问题,取得了良好的效果。在作者所掌握的文献范围内,这方面的工作还比较缺乏。而且,与已有的算法相比,本文所提出的算法具有更强的特征选择能力和更高的效率。