10.3778/j.issn.1002-8331.2011.10.011
改进的粒子群算法及其SVM参数优化应用
支持向量机是一种性能优越的机器学习算法,而其参教的选择对建模精度和泛化性能等有着重要的影响,也是目前机器学习研究的一个重要方向.在简要介绍基本粒子群优化(PSO)算法的基础上,提出了一种量子粒子群优化算法,给出了其实现方式,并通过4个基准测试函数进行性能对比评价.基于这种量子粒子群优化算法,对最小二乘支持向量机(LS-SVM)的参数优化进行了研究.仿真结果表明,量子粒子群优化算法能给出很好的优化结果.
量子粒子群、最小二乘支持向量机、基准测试、参数优化
47
TP18(自动化基础理论)
国家自然科学基金the National Natural Science Foundation of China under Grant 60774032;广东省自然科学基金项目7008360
2011-07-07(万方平台首次上网日期,不代表论文的发表时间)
共3页
38-40