資源描述：
《基于mas算法支持向量機(jī)參數(shù)優(yōu)化的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、ADissertationSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofManagementParametersOptimizationofSVMsbasedonMemeticAlgorithmsCandidate:HuZhongyiMajor:ManagementScienceandEngineeringSupervisor:Prof.BaoYukunHuazhongUniversityofScience&TechnologyWuhan430074,
2、P.R.ChinaDecember,2011獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除文中已經(jīng)標(biāo)明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到，本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者簽名：日期：年月日學(xué)位論文版權(quán)使用授權(quán)書(shū)本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)華中科技大學(xué)可
3、以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。保密□，在_____年解密后適用本授權(quán)書(shū)。本論文屬于不保密□。（請(qǐng)?jiān)谝陨戏娇騼?nèi)打“√”）學(xué)位論文作者簽名：指導(dǎo)教師簽名：日期：年月日日期：年月日華中科技大學(xué)碩士學(xué)位論文摘要支持向量機(jī)作為一個(gè)非常有效的機(jī)器學(xué)習(xí)方法，已經(jīng)廣泛應(yīng)用于小樣本、高維的分類和回歸問(wèn)題中。然而，在構(gòu)建支持向量機(jī)模型時(shí)，一個(gè)非常重要的問(wèn)題是如何優(yōu)化模型參數(shù)與核參數(shù)。針對(duì)支持向量機(jī)參數(shù)優(yōu)化的問(wèn)題，本文首先對(duì)相關(guān)文獻(xiàn)做了較詳細(xì)的綜述研究。在已有文獻(xiàn)中，最簡(jiǎn)單直接的參數(shù)
4、優(yōu)化方法是網(wǎng)格搜索，但是該方法非常耗時(shí)，尤其是優(yōu)化多于兩個(gè)參數(shù)時(shí)；使用經(jīng)典的數(shù)值優(yōu)化算法最小化泛化誤差邊界有非?？斓氖諗克俣?，但是該類方法對(duì)初始點(diǎn)非常敏感，因此極易陷入局部極值點(diǎn)；進(jìn)化算法由于具有較好的全局搜索能力，近來(lái)被許多學(xué)者用來(lái)優(yōu)化支持向量機(jī)的有關(guān)參數(shù)，但是其缺乏在潛在鄰域進(jìn)行局部精細(xì)搜索的能力。針對(duì)已有文獻(xiàn)中各方法的不足，本文提出了基于粒子群優(yōu)化算法和模式搜索的文化基因算法，并將該算法應(yīng)用到支持向量機(jī)參數(shù)優(yōu)化中。在該算法中，粒子群優(yōu)化算法主要負(fù)責(zé)參數(shù)空間的全局搜索和對(duì)存在最優(yōu)解的潛在區(qū)域的探測(cè)，而模式搜索則在部分潛在區(qū)域中進(jìn)行局部開(kāi)
5、采，以提高個(gè)體的質(zhì)量。為了驗(yàn)證本文提出的算法的有效性，文章設(shè)計(jì)了三個(gè)實(shí)驗(yàn)。第一個(gè)實(shí)驗(yàn)研究模式搜索在該算法中的作用以及選擇學(xué)習(xí)個(gè)體的策略；第二個(gè)實(shí)驗(yàn)和第三個(gè)實(shí)驗(yàn)分別將提出的算法應(yīng)用到支持向量機(jī)分類和回歸問(wèn)題的參數(shù)優(yōu)化中，結(jié)果表明，該算法與網(wǎng)格搜索、粒子群優(yōu)化算法等常用方法和部分文獻(xiàn)中的結(jié)果相比，有較好的準(zhǔn)確率和穩(wěn)定性。最后，總結(jié)全文并結(jié)合本文研究成果指出了下一步的研究方向。關(guān)鍵詞：參數(shù)優(yōu)化，支持向量機(jī)，文化基因算法，粒子群優(yōu)化算法，模式搜索I華中科技大學(xué)碩士學(xué)位論文AbstractSupportVectorMachines(SVMs)area
6、powerfulmachinelearningmethodandhavebeensuccessfullyappliedtomodelthedatasetswithfewsamplesandhighdimensionsforclassificationandregression.AcriticalissueconcernedwiththeperformanceofSVMsmodelsishowtodeterminethekernelparametersandthehyperparameters.Thisstudymainlyconcentra
7、tesontheparametersoptimizationofSVMs,whichhasgainedmanyattentionsintheexistingliteratures.AsimpleanddirectwayistouseanexhaustiveGridSearchintheparameterspace,whichistimeconsuming,especiallyinthecaseofregressionproblemswithmorethantwoparameterstobeoptimized.Numericaloptimiz
8、ationmethodsbyminimizingthegeneralizationerrorboundsaregenerallyefficientwithfastconverge
