文献类型：期刊文章

作　　者：张进[1,2] 丁胜[1,2] 李波[1,2]

机构地区：[1]武汉科技大学计算机科学与技术学院,武汉430065 [2]智能媒体计算湖北省重点实验室(武汉科技大学),武汉430065

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61273303;61572381)~~

年　　份：2016

卷　　号：36

期　　号：5

起止页码：1330-1335

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD_E2015_2016、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对支持向量机（SVM）中特征选择和参数优化对分类精度有较大影响,提出了一种改进的基于粒子群优化（PSO）的SVM特征选择和参数联合优化算法（GPSO-SVM）,使算法在提高分类精度的同时选取尽可能少的特征数目。为了解决传统粒子群算法在进行优化时易出现陷入局部最优和早熟的问题,该算法在PSO中引入遗传算法（GA）中的交叉变异算子,使粒子在每次迭代更新后进行交叉变异操作来避免这一问题。该算法通过粒子之间的不相关性指数来决定粒子之间的交叉配对,由粒子适应度值的大小决定其变异概率的大小,由此产生新的粒子进入到群体中。这样使得粒子跳出当前搜索到的局部最优位置,提高了群体的多样性,在全局范围内寻找更优值。在不同数据集上进行实验,与基于PSO和GA的特征选择和SVM参数联合优化算法相比,GPSO-SVM的分类精度平均提高了2%~3%,选择的特征数目减少了3%~15%。实验结果表明,所提算法的特征选择和参数优化效果更好。

关 键 词：支持向量机 特征选择  参数优化 粒子群优化算法 遗传算法 不相关性指数  

分 类 号：TP301.6]