基于粒子群参数优化的支持向量机方法.docx

基于粒子群参数优化的支持向量机方法【摘要】支持向量机是一种基于统计学习理论的机器学习方法。在魍车闹С窒蛄炕模型中模型参数需要用试凑的办法本文中提出一个基于粒子群算法的参数选择机制这可以大大减少模型的运算时间。最后给出一个算例。【关键词】粒子群算法；支持向量机；参数选择ASupportVectorMachineMethodbasedonParticleSwarmOptimizationYANShenZHANGQuan（DepartmentofInformationEngineeringShenYangUniversityofTechnologyShenyangLiaoning110870China）【Abstract】SupportVectorMachine（SVM）isanewmachinelearningtechniquebasedonthestatisticallearningtheory.InthetraditionalSVMmodelweusuallyselecttheparameterbytrialanderror.InthispaperweproposeaparameteroptimizationmethodbasedonPSOforSVMitcanreducecomputingtimeobviousely.Atlastanumericalexampleisproposed.【Keywords】PSO；SVM；Parameterselection0引言期刊评价可以归结为多属性决策问题即参考多个指标（或称属性）来评价期刊的质量[1]。期刊质量的等级分类往往需要计算期刊的综合评价值而且通常需要确定属性的权重值与综合评价值的函数形式。基于支持向量机的非线性系统建模不须要事先对函数关系进行任何假设通过其机器学习的过程达到对问题真实模型的逼近[2]运用粒子群算法进行参数选择在不影响准确率的前提下缩短运算时间。最后通过算例可以看出算法的优势。1支持向量机的参数本文利用？着-SVR（SupportVectorRegression）模型进行期刊评价问题的回归拟合。有三个参数需要给出即？着-SVR的惩罚因子C、损失函数？着和RBF核函数里参数？酌的值。本文结合粒子群算法对上述三个参数进行寻优。这里要用到判断模型拟合效果的指标：均方根误差（meansquareerrorMSE）及平方相关系数r（squaredcorrelationcoefficient）通常MSE的值越小r的值约接近1则拟合的效果越好。2算例分析c=1.2779g=0.1000p=0.0100。同时训练集和测试集的MSE分别为0.0001和0.0088平方相关系数分别为0.9997和0.7119。20个期刊的综合评价值分别为9.918、9.734、10.802、9.626、7.972、8.874、6.757、5.820、5.850、4.910、4.765、6.468、5.112、5.719、4.090、4.270、3.840、4.141、4.228、4.724因此得出20个期刊的排序结果为：S3>S1>S2>S4>S6>S5>S7>S12>S9>S8>S14>S13>S10>S11>S20>S16>S19>S18>S15>S17。3结论本文提出了基于粒子群算法参数寻优的支持向量机拟合方法。解决了在期刊等级评价过程中需要人为给出属性权重值以及选择综合评价值计算模型的主观因素达到了完全根据客观数据来确定期刊综合评价值与其排序的效果。【参考文献】[1]邱均平武庆圆刘霞.《中国学术期刊评价研究报告》的特色、做法和结果分析[J].评价与管理20119（2）：29-34.[2]邓乃扬田英杰.数据挖掘中的新方法―支持向量机[M].北京：科学出版社2004.