支持向量機（Support Vector Machine,SVM）的懲罰因子C和核參數(shù)σ影響模型分類精度和泛化性能。傳統(tǒng)進化算法優(yōu)化支持向量機時主要存在早熟收斂、優(yōu)收斂速度慢、收斂精度低以及泛化性能不高等問題。針對這些問題,將精英策略與量子粒子群算法融合,提出了精英量子粒子群算法（Elite Quantum Particle Swarm Optimization Algorithm,EQPSO）,既提高了種群收斂速度,也一定程度上避免了算法局部收斂,憑借其全局探索能力初探參數(shù)范圍,并通過網(wǎng)格搜索算法（Grid Search Algorithm,GS）提高開發(fā)能力做進一步的優(yōu)化,將優(yōu)化好的SVM模型用于入侵檢測。利用入侵檢測數(shù)據(jù)集UNSW-NB15對傳統(tǒng)的進化算法優(yōu)化支持向量機模型進行仿真實驗,通過交叉驗證對比EQPSO-GS-SVM、QPSO-SVM、PSO-SVM、DE-SVM模型,得出EQPSOGS優(yōu)化的SVM模型具有更好的泛化性能。 

【文章來源】：通信技術. 2020,53(01)

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 理論概述
    1.1 SVM的基本原理
    1.2 標準量子粒子群算法
    1.3 融合精英策略的量子粒子群算法
    1.4 網(wǎng)格搜索算法與交叉驗證
2 基于EQPSO-GS優(yōu)化SVM入侵檢測模型
3 實驗分析
    3.1 數(shù)據(jù)簡介及其預處理
    3.2 基于EQPSO-GS優(yōu)化SVM入侵檢測模型實現(xiàn)
        3.2.1 利用EQPSO優(yōu)化SVM初步尋找參數(shù)
        3.2.2 利用GS-SVM精細化尋找參數(shù)
    3.3 實驗結果分析
4 結語


【參考文獻】：
期刊論文
[1]支持向量機模型與應用綜述[J]. 劉方園,王水花,張煜東.  計算機系統(tǒng)應用. 2018(04)
[2]改進量子粒子群優(yōu)化支持向量機的網(wǎng)頁分類[J]. 朱興統(tǒng),左敬龍,張晶華.  湖南科技大學學報(自然科學版). 2012(03)
[3]一類支持向量機中引導式量子粒子群優(yōu)化機理及實現(xiàn)[J]. 姚富光,鐘先信.  重慶大學學報. 2011(02)
[4]量子粒子群優(yōu)化算法在訓練支持向量機中的應用[J]. 山艷,須文波,孫俊.  計算機應用. 2006(11)
[5]基于支持向量機的入侵檢測系統(tǒng)[J]. 饒鮮,董春曦,楊紹全.  軟件學報. 2003(04)

碩士論文
[1]支持向量機算法的入侵檢測分類研究[D]. 張博倫.青島科技大學 2018



本文編號：3173809