基于多元宇宙优化算法的SVM参数优化

摘要

支持向量机的参数一直是影响其性能的重要因素之一，但是仍未有具体理论指导其选取，故将参数的确定转换为能够运用智能算法求解的优化问题.研究主要内容如下:
　　针对多元宇宙优化算法在开采过程中存在的不足，提出两种改进方式.首先，在每一次迭代的过程都增大虫洞存在概率以更好保证算法的寻优能力，构建改进模型并与经典模型进行对比，实验结果验证了改进模型的有效性;其次，为了解决虫洞旅行距离率下降速度慢导致算法稳定性差的问题，对它的计算方式给出改进意见，进而提出基于改进多元宇宙算法的SVM模型，实验结果表明此时该模型更为稳定且具有良好的泛化能力和学习能力.
　　将两种改进模型用于识别病患是否患有肝病的实际问题中，实验结果验证改进模型有效可行的，并展现了其很好的实际应用前景.

目录

声明

致谢

摘要

1 绪论

1．1 研究的背景及意义

1．2 国内外研究现状

1．3 研究内容及组织结构

2 预备知识

2．1 支持向量机

2．1．1 支持向量机分类准则

2．1．2 最优分离超平面

2．1．3 核函数及Mercer定理

2．1．4 线性支持向量机

2．1．5 非线性支持向量机

2．2 多元宇宙优化算法

2．2．1 多元宇宙优化算法理论

2．2．2 数学模型

2．2．3 算法规则

3 基于W-IMVO算法优化SVM参数

3．1 改进思路

3．2 算法步骤

3．3 数值实验

3．3．1 实验数据提取与预处理

3．3．2 μ值对SVM模型性能的影响

3．3．3 实验结果与分析

3．4 小结

4 基于T-IMVO算法优化SVM参数

4．1 改进思路

4．2 算法步骤

4．3 数值实验

4．3．1 实验数据提取与预处理

4．3．2 η值对SVM模型性能的影响

4．3．2 实验结果与分析

4．4 小结

5 实例分析

5．1 问题分析

5．1．1 问题描述

5．1．2 构造支持向量机模型

5．2 实验结果与分析

5．2．1 数据提取及预处理

5．2．2 实验结果与分析

5．3 小结

结论

参考文献

作者简历

学位论文数据集