TY -的A2 Imae乔盟——Behravan伊玛尼盟——Dehghantanha Oveis AU - Zahiri,赛义德哈米德盟——Mehrshad纳赛尔PY - 2016 DA - 2016/07/18 TI -最优支持向量机使用多目标与特征选择算法SP - 6305043六世- 2016 AB -支持向量机分类器,基于结构风险最小化原则。支持向量机的性能取决于不同的参数,如惩罚因子,
C
,核因子,
σ
.选择合适的核函数可以提高识别分数,降低计算量。此外,从数据集的多个特征中选择有用的特征,不仅提高了SVM的性能,而且减少了计算时间和复杂度。这是一个可以用启发式算法求解的优化问题。在某些情况下,除了识别分数外,分类器输出的可靠性也很重要。因此,在这种情况下,需要一个多目标优化算法。本文采用MOPSO算法对支持向量机参数进行优化,选择合适的核函数,同时选择最优的特征子集,从而同时优化支持向量机的识别分数和可靠性。利用来自UCI机器学习库的9个不同数据集,对所提方法(MOPSO-SVM)的有效性和有效性进行了评价。将该方法的结果与单独使用SVM、RBF和MLP神经网络的结果进行了比较。SN - 2356-752X UR - https://doi.org/10.1155/2016/6305043 DO - 10.1155/2016/6305043 JF - Journal of Optimization PB - Hindawi Publishing Corporation KW - ER -