基于均匀设计的支持向量机参数优化方法

J4 ›› 2014, Vol. 36 ›› Issue (04): 702-706.

基于均匀设计的支持向量机参数优化方法

李长云，潘伟强，胡盛龙

（湖南工业大学计算机与通信学院，湖南株洲 412007）

收稿日期:2013-09-20 修回日期:2013-12-05 出版日期:2014-04-25 发布日期:2014-04-25
基金资助:
国家科技部科技支撑计划项目(2013BAJ10B145)；国家住建部科研项目(2010FJ3041)；湖南省科技计划资助项目(2012GK3091，2012GK3086)；湖南工业大学自然科学研究资助项目(2011HZX31)；湖南工业大学研究生创新基金资助项目(CX1308)

Parameter optimization method of SVM based on uniform design

LI Changyun,PAN Weiqiang,HU Shenglong

(School of Computer and Communication,Hunan University of Technology,Zhuzhou 412007,China)

Received:2013-09-20 Revised:2013-12-05 Online:2014-04-25 Published:2014-04-25

摘要/Abstract

摘要：

在实际应用中，支持向量机的性能依赖于参数的选择。针对支持向量机的参数选择问题进行了研究和分析，提出了基于均匀设计的支持向量机参数优化方法。与基于网格搜索、粒子群算法、遗传算法等支持向量机参数优化方法进行了比较与分析，采用多个不同规模的标准的分类数据集进行测试，比较了四种方法的分类正确率和运行时间。仿真实验表明，四种方法都能找到最优参数，使支持向量机的分类正确率接近或超过分类数据集的理论精度，本文方法具有寻参时间短的特点。

关键词: 支持向量机, 参数优化方法, 均匀设计, 网格搜索, 粒子群算法, 遗传算法

Abstract:

In practical applications, the performance of Support Vector Machine (SVM) depends on the selection of parameters. SVM parameter selection problems are studied and analyzed, and a parameter optimization method of SVM based on uniform design is proposed. Our method is compared with the parameter optimization methods of SVM based on grid search, particle swarm optimization, and genetic algorithms. Multiple classification data sets with different sizes are used for testing, so as to compare the classification accuracy and runtime of the four methods. Simulation results show that all the four methods can find the optimal parameters, which make the classification accuracy of SVM approach or exceed the theoretical accuracy of categorical datasets, and our proposed method has the characteristic of finding parameters in short time.

Key words: support vector machine;parameter optimization method;uniform design;grid search;particle swarm optimization;genetic algorithm

李长云，潘伟强，胡盛龙. 基于均匀设计的支持向量机参数优化方法[J]. J4, 2014, 36(04): 702-706.

LI Changyun,PAN Weiqiang,HU Shenglong. Parameter optimization method of SVM based on uniform design [J]. J4, 2014, 36(04): 702-706.

参考文献

［1］Cortes C, Vapnik V. Supportvector networks［J］. Machine Learning, 1995, 20(3):273293.
［2］Cristianini N, ShaweTaylor J. An introduction to support vector machines and other kernelbased learning methods［M］. Cambridge:Cambridge University Press, 2000.
［3］Wang Xibin,Zhang Xiaoping,Wang Hanhu.Parameter optimization of support vector machine and application based on particle swarm optimization mode search［J］. Journal of Computer Applications, 2011,31(12):33023304. (in Chinese)
［4］Hu Yunyan, Peng Minfang, Tian Chenglai, et al. Analog circuit fault diagnosis based on particle swarm optimization SVM ［J］. Application Research of Computers, 2012, 29(11):40534054. (in Chinese)
［5］Guo Fengyi, Guo Changna, Wang Aijun, et al. The forecast model of mine water discharge based on particle swarm optimization and support vector machines［J］. Computer Engineering & Science, 2012,34(7):177181. (in Chinese)
［6］Wu Jinglong, Yang Shuxia, Liu Chengshui. Parameter selection for support vector machines based on genetic algorithms to shortterm power load forecasting［J］. Journal of Central South University (Science and Technology), 2009,40(1):180184. (in Chinese)
［7］Dai Shangping,Song Yongdong.Parameter selection of support vector machines based on the fusion of genetic algorithm and the particle swarm optimization［J］. Computer Engineering & Science, 2012,34(10):113117. (in Chinese)
［8］Huang Yongqing, Liang Changyong, Zhang Xiangde. Parameter establishment of an ant system based on uniform design［J］. Control and Decision,2006,21(1):9396.(in Chinese)
［9］UC irvine machine learning repository［EB/OL］. ［ 20130620］. http://archive.ics.uci.edu/ml/.
附中文参考文献：
［3］王喜宾, 张小平, 王翰虎. 基于粒子群优化模式搜索的支持向量机参数优化及应用［J］. 计算机应用, 2011,31(12):33023304.
［4］胡云艳, 彭敏放, 田成来, 等. 基于粒子群算法优化支持向量机的模拟电路诊断［J］. 计算机应用研究, 2012, 29(11):40534054.
［5］郭凤仪, 郭长娜, 王爱军, 等. 基于粒子群优化支持向量机的煤矿水位预测模型［J］. 计算机工程与科学, 2012,34(7):177181.
［6］吴景龙, 杨淑霞, 刘承水. 基于遗传算法优化参数的支持向量机短期负荷预测方法［J］. 中南大学学报(自然科学版), 2009,40(1):180184.
［7］戴上平, 宋永东. 基于遗传算法与粒子群算法的支持向量机参数选择［J］. 计算机工程与科学, 2012,343(10):113117.
［8］黄永青, 梁昌勇, 张祥德. 基于均匀设计的蚁群算法参数设定［J］. 控制与决策, 2006, 21(1):9396.

[1]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[2]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(02): 346-354.
[3]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[4]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(06): 1133-1140.
[5]	毛媛媛, 石恩雅, 蒋从锋, 仇烨亮, 贾刚勇, 万健, 闫龙川. 基于遗传算法的数据中心能效仿真[J]. 计算机工程与科学, 2021, 43(08): 1341-1352.
[6]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[7]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[8]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[9]	季子豪, 江凌云. 一种基于遗传算法的多站点协同计算卸载算法[J]. 计算机工程与科学, 2021, 43(03): 426-434.
[10]	贾俊杰, 秦海涛. 基于遗传算法的动态轨迹匿名算法[J]. 计算机工程与科学, 2021, 43(01): 142-150.
[11]	李丹莲, 曹倩, 徐菲. 基于改进遗传算法的连锁便利店配送路径优化[J]. 计算机工程与科学, 2020, 42(11): 2096-2102.
[12]	王翼虎, 王思明. 基于改进粒子群算法的无人机路径规划[J]. 计算机工程与科学, 2020, 42(09): 1690-1696.
[13]	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(07): 1294-1301.
[14]	陈旺虎，田真，张礼智，梁小燕，高雅琼. 基于插值的高维稀疏数据离群点检测方法[J]. 计算机工程与科学, 2020, 42(06): 966-972.
[15]	闫盼盼，俞海珍，史旭华，万凯. 基于Pareto支配的MPRM电路面积与功耗优化[J]. 计算机工程与科学, 2020, 42(04): 596-602.