【摘要】：近年來,越來越多的專家與學(xué)者致力于數(shù)據(jù)分類方面的研究。而隨著數(shù)據(jù)維數(shù)的不斷增多,分類算法的計算復(fù)雜度與計算時間都會大大增加,模型參數(shù)依靠傳統(tǒng)的經(jīng)驗選取或者大范圍的網(wǎng)格搜索都已經(jīng)不能滿足要求。因此,本文提出利用基本人工蜂群算法(Artificial bee colony,ABC)對支持向量機(Support vector machine,SVM)參數(shù)進行優(yōu)化的策略,其目的是為了解決支持向量機的模型參數(shù)選取依靠傳統(tǒng)手段效率太低的問題。首先利用蜂群算法對支持向量機的參數(shù)進行尋優(yōu),然后對UCI數(shù)據(jù)庫中的樣本進行分類,結(jié)果證明了利用ABC去優(yōu)化SVM參數(shù)(ABC-SVM)的有效性和可行性�；镜娜斯し淙核惴▽κ澄镌床捎弥鹁S搜索的策略,會導(dǎo)致個別維度上出現(xiàn)較優(yōu)解的食物源由于達到搜索的閾值而被拋棄,出現(xiàn)迂回搜索的現(xiàn)象,降低算法的搜索效率。而對食物源的每一維都進行貪婪搜索,會大大增加算法的計算量。因此提出一種改進的多維搜索策略,先尋求出食物源具有更新價值的維度,再對這些維度進行進一步的搜索。然后用標(biāo)準(zhǔn)測試函數(shù)對算法進行驗證,發(fā)現(xiàn)改進后的算法不但有更快的收斂速度和更高的計算精度,同時也有效地減少了時間花銷。利用改進后的算法對支持向量機的參數(shù)尋優(yōu),并對相同的樣本分類以驗證結(jié)果,發(fā)現(xiàn)新算法有更高的分類準(zhǔn)確率,與采用全維搜索策略的蜂群算法相比,改進算法的時間花銷更少。最后,鑒于人工蜂群算法具有天然的并行性,因此提出對人工蜂群算法并行化處理的思想。對蜂群算法的初始適應(yīng)度評價、采蜜蜂階段、觀察蜂階段與偵查蜂階段進行改進,并與全維搜索的策略相結(jié)合。利用測試函數(shù)進行仿真測試,驗證了采用并行化策略后的蜂群算法的有效性以及需要注意的通信花銷問題。然后,將其用于支持向量機的參數(shù)尋優(yōu),對人體活動數(shù)據(jù)進行分類。實驗結(jié)果顯示,蜂群算法采用并行化計算能夠大大減少時間花銷,同時采用全維搜索的策略能夠增加算法的收斂速度,使得分類準(zhǔn)確率更高,兩者結(jié)合后得出的改進算法兼顧了兩者的優(yōu)勢,具有廣闊的應(yīng)用前景。
【學(xué)位授予單位】：中原工學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18
【圖文】：

ABC蜜源更新流程圖

29圖4.5IABC和ABC函數(shù)收斂曲線對比圖上述參數(shù)設(shè)置下，且維度為30的四個函數(shù)迭代過程如圖4.5所示。如表 4.4 所示，其中 M 為求得的最優(yōu)解，S 為標(biāo)準(zhǔn)差，I 為求得最優(yōu)解時已經(jīng)迭代的次數(shù)，T為程序運行時間，單位為秒。

6(c)PSO搜索算法尋優(yōu)

【參考文獻】

相關(guān)期刊論文 前10條

1 孟滔;周新志;雷印杰;;基于自適應(yīng)遺傳算法的SVM參數(shù)優(yōu)化[J];計算機測量與控制;2016年09期

2 王海泉;胡瀛月;廖伍代;閆同斌;王東云;;基于改進人工蜂群算法的機器人路徑規(guī)劃[J];控制工程;2016年09期

3 張素琪;滕建輔;顧軍華;;基于多維貪婪搜索的人工蜂群算法[J];計算機工程;2014年11期

4 劉三陽;張平;朱明敏;;基于局部搜索的人工蜂群算法[J];控制與決策;2014年01期

5 宮繼兵;王睿;王曉峰;崔莉;;基于概率因子圖模型的醫(yī)療社會網(wǎng)絡(luò)用戶健康狀態(tài)檢測方法[J];計算機研究與發(fā)展;2013年06期

6 高鳳嬌;吳岡;費磊;楊洋;;基于蜂群算法的人臉表情特征選擇方法研究[J];自動化技術(shù)與應(yīng)用;2013年03期

7 范黎林;王士斌;;不平衡數(shù)據(jù)集的決策樹算法[J];河南師范大學(xué)學(xué)報(自然科學(xué)版);2013年02期

8 白靜;楊利紅;張雪英;;一種面向語音識別的抗噪SVM參數(shù)優(yōu)化方法[J];中南大學(xué)學(xué)報(自然科學(xué)版);2013年02期

9 張銀雪;田學(xué)民;曹玉蘋;;改進搜索策略的人工蜂群算法[J];計算機應(yīng)用;2012年12期

10 黃玲玲;劉三陽;高衛(wèi)峰;;具有人工蜂群搜索策略的差分進化算法[J];控制與決策;2012年11期

相關(guān)博士學(xué)位論文 前2條

1 趙明淵;分類問題的智能優(yōu)化算法及其應(yīng)用研究[D];電子科技大學(xué);2011年

2 陳丹;基于優(yōu)化決策樹的高分辨率遙感影像分類技術(shù)研究[D];武漢大學(xué);2010年

相關(guān)碩士學(xué)位論文 前4條

1 張謙;基于人工蜂群算法的分類算法研究[D];中原工學(xué)院;2017年

2 郁智博;基于模糊神經(jīng)網(wǎng)絡(luò)和ELM的分類算法的研究[D];東北大學(xué);2013年

3 尤一帆;遺傳進化神經(jīng)網(wǎng)絡(luò)算法在分類問題中的設(shè)計和研究[D];浙江大學(xué);2011年

4 盧東標(biāo);基于決策樹的數(shù)據(jù)挖掘算法研究與應(yīng)用[D];武漢理工大學(xué);2008年

本文編號：2765705