一种支持向量机算法设计中优化的混合加权核函数选取与样本加权方法

摘要：

为提高支持向量机(SVM)算法的分类精度,本文基于SVM分类算法工作原理,提出一种新的样本权值设置方法,并将SVM最大分类间隔因素引入蚁群算法(ACO)中,实现了优化的混合加权核函数选取.首先,依据最大分类间隔决定SVM分类模型潜在分类能力这一原理,基于样本对最大分类间隔的不同贡献自适应地为其设置权值.然后,将SVM最大分类间隔因素引入ACO搜索算法的参数设置中,对混合加权核函数方案进行确定.本文算法从提高SVM分类模型分类确定性的角度出发,实现了训练样本权值、核函数以及其相应系数的自适应设置、选取.最终,本文方法用于一系列有针对性的笔迹验证实验,实验结果证明用本文方法学习所得SVM分类模型对后续待检测样本具有更高分类精度.

关键词：核函数、SVM、ACO、分类器

所属期刊栏目：39

分类号：TP311(计算技术、计算机技术)

资助基金：北京首批13所高校高精尖创新中q基金项目PXM2016014204500072

在线出版日期：2018-05-02（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：340-346