基于改进磷虾群算法的SVDD参数优化

摘要：

支持向量数据描述(SVDD)是构造单类数据描述的分类算法,惩罚参数C和核参数σ作为影响SVDD分类效果的关键,其合理选取一直是个难点.针对这一问题,提出了一种基于改进磷虾群算法的SVDD参数优化算法(IKH-SVDD).依据仿真实验,分析参数C和σ对描述边界的影响;引入磷虾群算法并分析其优劣,通过在随机扩散行为中定义扰动因子,增强算法的全局搜索能力;将一种新的精英选择和保留策略引入迭代过程,提高算法的收敛精度;将改进的磷虾群算法引入SVDD参数优化过程,构建了IKH-SVDD参数优化模型.基于UCI标准数据库进行实验并与其他几种参数优化算法进行比较,结果表明了IKH-SVDD算法具有更高的分类准确性.

关键词：支持向量数据描述、改进磷虾群算法、参数优化、精英选择和保留策略

所属期刊栏目：53

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61273275

在线出版日期：2017-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：137-142,216