資源描述：
《基于蜜蜂算法的支持向量機(jī)特征選擇和參數(shù)優(yōu)化.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第l1期組合機(jī)床與自動化加工技術(shù)NO．112013年11月ModularMachineTool&AutomaticManufacturingTechniqueNOV．2013文章編號：lOOt一2265(2013)11—0041一o3基于蜜蜂算法的支持向量機(jī)特征選擇和參數(shù)優(yōu)化術(shù)陳淵，馬宏偉(西安科技大學(xué)a．理學(xué)院；b．機(jī)械工程學(xué)院，西安710054)摘要：針對支持向量機(jī)訓(xùn)練過程中特征選擇和參數(shù)優(yōu)化的問題，提出了一種基于蜜蜂算法的支持向量機(jī)特征選擇和參數(shù)優(yōu)化算法，并將其應(yīng)用于焊接缺陷的自動分類。該算法采用分類正確率作為適應(yīng)度，利用蜜蜂算法對支持向量機(jī)的模型參數(shù)進(jìn)行優(yōu)化，并同時
2、選擇最佳的特征子集。UCI標(biāo)準(zhǔn)數(shù)據(jù)集和焊接缺陷的分類實(shí)驗(yàn)結(jié)果表明，與常規(guī)支持向量機(jī)相比，蜜蜂算法優(yōu)化的支持向量機(jī)能夠克服局部最優(yōu)解，獲得了更高的分類正確率。因此，論文算法對于焊接缺陷的分類是有效可行的。關(guān)鍵詞：支持向量機(jī)；蜜蜂算法；特征選擇；參數(shù)優(yōu)化中圖分類號：TH16；TG659文獻(xiàn)標(biāo)識碼：AFeatureSelectionandParameterOptimizationofSupportVectorMachineBasedontheBeesAlgorithmCHENYuan，MAHong．wei(a．CollegeofScience；b．CollegeofMechani
3、calEngineering，Xi’anUniversityofScienceandTechnolo—gy，Xi’an710054，China)Abstract：Aimingattheproblemoffeatureselectionandparameteroptimizationofsupportvectorma—chine(SVM)inthetrainingprocedure，anovelapproachbasedonthebeesalgorithm(BA)forfeatureselectionandparameteroptimizationofSVMispropose
4、dandappliedtoautomaticclassificationofweld—ingflaws．Inthismethod，theclassificationaccuracyratewastakenasthefitnessvalue，andBAwassimultaneouslyusedtooptimizetheSVMparameterswhilediscoveringtheoptimalsubsetoffeaturesTheexperimentalresultsforUCIstandarddatasetsandweldingflawdatasetshowthatcom
5、paredwithnormalSVM，theproposedapproachcanovercomethelocaloptimalsolutionproblem，andachieveshigherclas—sificationaccuracy．Therefore，theproposedapproachisvaluableforclassificationofweldingflaws．Keywords：supportvectormachine；thebeesalgorithm；featureselection；parameteroptimization過模擬自然界中蜜蜂的覓食行
6、為尋找問題的最優(yōu)0引言解。由于其原理簡單、并行性、魯棒性強(qiáng)且可避免陷支持向量機(jī)是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來入局部最優(yōu)，已經(jīng)成功應(yīng)用于函數(shù)優(yōu)化、模式識別等的一種新的機(jī)器學(xué)習(xí)方法，它基于結(jié)構(gòu)風(fēng)險最小化領(lǐng)域。因此，本文以采用RBF核函數(shù)的支持向量準(zhǔn)則，避免了局部最優(yōu)解，在解決小樣本、非線性及機(jī)為對象，提出基于蜜蜂算法的支持向量機(jī)特征選高維模式識別問題中表現(xiàn)出許多獨(dú)特的優(yōu)勢，因而擇和參數(shù)優(yōu)化算法，并利用UCI標(biāo)準(zhǔn)數(shù)據(jù)集和焊接在超聲檢測的缺陷分類方面得到了廣泛的應(yīng)用”。缺陷的分類實(shí)驗(yàn)驗(yàn)證其有效性。然而在實(shí)際應(yīng)用中，支持向量機(jī)模型參數(shù)(如懲罰因1支持向量機(jī)分類性能影響因素分析子C、核
7、函數(shù)參數(shù))對分類性能有著重要的影響。另一方面，特征選擇也是影響分類正確率的重要因素。支持向量機(jī)是一種適用于有限樣本情況下的模因此，如何通過優(yōu)化支持向量機(jī)參數(shù)和選擇特征子式分類方法，它根據(jù)有限的樣本信息在模型的復(fù)雜集以獲得最優(yōu)分類性能，是目前支持向量機(jī)分類問性和學(xué)習(xí)能力之間尋求最佳折中，以期獲得最好的題研究領(lǐng)域的一個熱點(diǎn)。泛化能力。它利用核函數(shù)通過非線性映射將輸入空蜜蜂算法(theBeesAlgorithm，BA)是Pham等間映射到一個高維特征空間，并在特征空間中構(gòu)造于2005年提出的一種新的群集智能搜索算法，它通
